资 源 简 介
针对复杂环境下行人检测不能同时满足高召回率与高效率检测的问题，提出一种基于卷积神经网络（CNN）的行人检测方法。首先，采用CNN中的单步检测升级版网络YOL0v2 初步检测行人;然后，设计一个网络与Y0LOv2网络级联。设计的网络具有目标分类和边界框回归的功能，对YOLOv2初步检测出的行人位置进行再分类与回归，以此降低误检提高召回率;最后，采用非极大值抑制（NMS）处理的方法去除冗余的边界框。实验结果显示，在数据集INRIA和Caltech上，所提方法与原始YOL0v2相比，召回率提高3.3个百分点，准确率提高5.1个百分点，同时速度上达到了11.6 帧/s，实现了实时检测。与现有的流行的行人检测方法相比，所提方法具有更好的整体性能。
随着智慧城市建设在国际国内如火如荼地展开，针对智能监控等相关计算机视觉的技术需求也日益增加。行人检测作为计算机视觉领域的基础任务，引起了国内外计算机视觉领域专家学者的特别关注［1］口 传统的行人检测方法是利用人工设计的特征提取器，通过提取方向梯度直方图（Histogramof Oriented Gradients， HOG）、 局部二值模式（ Local BinaryPattern， LBP）等特征来训练分类器，实现对行人的检测，但人工设计的行人特征很难适应行人行为的大幅度变化。
