【深度学习】基于Fast-RCNN网络的行人检测跟踪matlab仿真

目录

1.算法概述

2.仿真效果

3.MATLAB仿真源码

---

1.算法概述

        R-CNN显著提升了目标检测算法的性能，但因为计算过于复杂，耗时很长，所以在实际的应用系统中，大都无法使用。经过分析可知，R-CNN的复杂性主要来自两个方面：一是需要针对大量的候选框分别进行计算；二是特征提取之后的分类器训练和位置回归，是几个独立步骤分别进行的。在训练过程中，提取的特征要先存储在硬盘上，然后训练SVM分类模型，最后训练位置回归模型，而测试过程也是类似的，特征提取之后，需要先进行SVM分类，再回归目标的准确位置，整个过程在计算时间和存储空间上，都需要很大的开销。8.2节介绍的SPP-Net算法解决了前一个问题，通过共享特征图，整幅图像仅须进行一次卷积计算，但特征提取之后的处理仍然是分步骤独立进行的。本节介绍的FastR-CNN算法，针对上述两个问题进行了改进，使得算法速度有了非常显著的提升。以一个较深的网络VGG16为例，FastR-CNN的训练速度是R-CNN的9倍，测试速度是R-CNN的213倍；即使和SPP-Net相比，Fast R-CNN的训练速度和测试速度，也分别有了3倍和10倍的提升。
1.Fast RCNN算法流程
1.一张图片生成1k~2k个候选区域(使用Selective Search方法)；
2.将整幅图像输入到CNN网络中，得到相应的特征图，再将SS算法生成的候选框投影到特征图上获得相应的特征矩阵；
3.将每个特征矩阵通过ROI(Region of Interest) pooling层缩放到7x7大小的特征图&#