1.引言
行人检测在视频监控,个人识别,图像检索和驾驶辅助系统(ADAS)等多个领域有应用。实时准确的行人检测是应用这种系统的关键。
行人检测算法旨在实时绘制 描绘图像中行人位置的 边界框。
然而,由于精度和速度之间的折中,这是很难实现的[8]。
低分辨率输入通常会导致快速的物体检测,但性能较差,可以通过牺牲处理速度为代价的高分辨率输入来获得更好的物体检测性能。(不懂)
其他因素如密集场景,非人
遮挡物体或不同外观的行人(不同的姿势或服装风格)也会使这个问题充满
挑战。
行人检测的一般框架可以分为区域提案生成,特征提取,和行人验证[9]三部分。经典方法通常使用基于滑动窗口的技术来生成区域提案,梯度方向直方图(HOG)[6]或尺度不变特征变换(SIFT)[22]作为特征,支持向量机(SVM)[2]或自适应提升方法(Adaptive Boosting)[11]作为行人验证方法。最近卷积神经网络也被应用于行人检测。 Hosang等[14]使用SquaresChnFtrs [1]方法生成行人区域建议,并训练AlexNet [17]进行行人验证。张等人[31]使用区域提案网络(RPN)[23]计算行人候选区域,级联的Boosted Forest [7]执行样本重新加权,对候选区域进行分类。Li 等人[18]训练多个 基于Fast R-CNN [12]的网络以检测不同尺度的行人,并将所有网络的结果进行组合生成最终结果.
我们提出了一种深层神经网络融合架构来解决行人检测问题,称为Fused Deep Neural Network(F-DNN)。与以前的方法相比,我们提出的系统更快,同时实现更好的检测准确性。该架构包含一个行人候选区域生成器,通过训练一个高检测率、false positive率很高的深度卷积神经网络获得。 <