改进SSD算法及其在地铁安检中的应用

张 震，李孟洲，李浩方，马军强

（郑州大学电气工程学院，郑州450001）

0 概述

近年来，随着互联网大数据的快速发展、计算机运算能力的提升以及国内外在深度学习研究上的突破，目标检测技术日趋成熟。目前，将目标检测与实际应用场景结合是一个热门方向［1］，但较少用于地铁安检方面，地铁安检仍采用人为识别的方法。由于安检工作人员的熟练程度以及精神状态都可能会影响安检的准确率［2］，因此将目标检测用于地铁安检具有重要的研究意义。

GIRSHICK 等于2014年提出了R-CNN（Regions with CNN Features）［3］算法，促使深度学习在目标检测领域快速发展。此后，SPP-Net（Spatial Pyramid Pooling Networks）、YOLO［4-5］、YOLO2、Fast RCNN［6］、Faster RCNN［7］、SSD［8］、DSSD［9］等算法的出现也进一步促进了目标检测的发展。目前主流的目标检测算法大致分为两类：一类是基于R-CNN 进行展开，以Faster RCNN 为代表的两阶段算法；另一类是以YOLO 和SSD 为代表的一阶段算法。两阶段算法先进行区域选取，再对所选区域进行分类，一阶段算法则是对产生的区域同时进行这两项操作。两阶段算法的检测精度略高于一阶段算法，但检测速度很慢，因此，两阶段算法不适用于地铁安检这类对实时性要求较高的应用场景。在一阶段算法中，SSD 算法已被广泛应用于目标检测并取得了不错的效果，如文献［10］将SSD 应用于舰船目标检测，文献［11］将SSD 应用于柑橘实时分类检测，文献［12］将SSD 应用于果园行人实时检测。

本文提出一种改进的SSD 算法，通过轻量级网络融合对传统SSD 算法中的金字塔特征层进行特征增强，同时加入一种基于残差模块的检测单元以避免增加网络模型容量，从而在提高检测精确度的同时保证识别速度。……