基于感受野匹配的多尺度行人检测

杨欢，胡彪

（西南民族大学电气信息工程学院，成都610041）

0 引言

现如今，人工智能已经应用于各个领域，和传统的一些方法相比，深度学习方法具有更好的鲁棒性和更快速度以及更高的准确率。在计算机视觉领域中，目标检测一直是一个研究热点和难点，然行人检测在很多安防领域和自动驾驶方面都有很高的需求，这引起了人们广泛的关注。行人检测的主要任务是对于输入的图像序列或者视频帧通过检测系统输出包含行人的矩形框。

在传统的行人检测方法中，其主要是先提取梯度方向直方图[1]（Histogram of Oriented Gradient,HOG）特征，然后训练支持向量机[2]（Support Vector Machine,SVM）分类器，最后利用滑动窗口锁定目标区域对其进行分类判断。这种方法使用人工构造特征进行检测时，存在耗时、鲁棒性差等问题，其特征表征能力不足，很难适应复杂的环境。曲昭伟[3]等采用聚类的方法，并用HOG提取特征，最后使用SVM进行分类，达到了对行人的实时监测。2012年，Krizhecsky[4]等人提出了AlexNet，在ImageNet的图像分类竞赛中证明了其实力。随后，深度卷积神经网络（Deep Convolutional Neu⁃ral Networks,DCNN）走上人工智能最前端，应用于图像识别和其他应用领域，开启机器视觉新领域。主要分为两类：一类是以R-CNN[5]、SPPNet[6]、Fast R-CNN[7]和Faster R-CNN[8]系列为主，该类方法是一个“由粗到精”的过程，首先产生目标候选框，也就是目标位置，然后再对候选区域进行分类和回归，该方法虽检测的精度较高，但因其存在区域建议网络（Region Proposal Networks,RPN），导致检测速度不高；另一类是以YOLO[9]、SSD[10]为代表的基于回归的方法，被视为“一步完成”，通过CNN直接预测出目标的类别及位置坐标，与两阶段检测器相比，其特点是检测速度快，但精度不高。……