王 林,刘 盼
(西安理工大学 自动化与信息工程学院,西安 710048)
卷积神经网络是以卷积计算为基础的前馈型神经调节网络,包含多个深度支撑结构,是深度学习理论中的代表应用算法。与其它调节型网络相比,卷积神经网络具备完善的表征学习能力,可按照输入信息所属阶层,对数据节点实施分类或平移转换,故也被称为“具有平移不变能力的人工神经网络”[1-2]。该项物理概念最早由西方国家研究人员在20世纪80年代中期提出,当时的卷积神经网络具备较长时间的物理反应延迟,而在21世纪初期,随着深度学习理论的不断完善,卷积神经网络也得到了快速的发展,并且被广泛应用于自然语言处理、计算机目标检测等多个领域。
目标检测是基于目标几何特征统计的图像分割方法。通常情况下,可将一个待测目标人工分裂成多个部分,在复杂应用场景中,多个目标组织具备完全统一的实时协调能力,可辅助计算机系统获取直观的识别处理结果。PCA、SVM算法是常见的行人目标检测系统处置方案,可通过特征降维的方式,消除待检样本的残影序列,从而实现对行人目标的实时稳定跟踪。但上述系统的目标数据堆积程度相对较高,很难获取足量的行人目标检测信息,易因运动姿态的不确定性而造成实时检测精度的下降。为解决此问题,引入卷积神经网络,在CNN计算框架、训练文件架构等多项应用设备结构的支持下,设计一种新型的行人目标检测系统,并通过比照实验的方式,突出说明两类系统间的实用差异性。……