郭秋滟， 李 欣

(1. 西昌学院 汽车与电子工程学院， 四川 西昌 615013; 2. 清华大学 深圳研究生院， 广东 深圳 518055)



一种深度模型行人检测方法

郭秋滟1， 李 欣2

(1. 西昌学院 汽车与电子工程学院， 四川 西昌 615013; 2. 清华大学 深圳研究生院， 广东 深圳 518055)

提出一种新的深度模型，通过多个阶段的后向传播来联合训练多阶段分类器实现行人检测。该模型可将分类器的得分图输出存储在局部区域中，并将其作为上下文信息来支持下一阶段的决策。通过设计具体的训练策略，深度模型可对硬性样本进行挖掘来分阶段训练网络，进而模拟串联分类器。此外，每个分类器可在不同的难度水平上处理样本，并通过无监督预训练和专门安排的各阶段有监督训练来对优化问题正规化，提高了行人检测的可靠性。理论分析表明该训练策略有助于避免过拟合。基于3个数据集(Caltech, ETH和TUD-Brussels)的实验结果也验证了该方法优于当前其他最新算法。

串联式分类器； 行人检测； 深度模型； 上下文信息

0 引 言

行人检测[1-2]是多种重要应用领域基本的计算机视觉问题之一。由于存在视角变化、姿态、光照、遮挡等各种挑战，行人检测难度很大，只简单利用一种整体分类器难以有效实现行人检测。例如，侧面视角下行人视觉线索不同于正面视角下的视觉线索。单个检测器难以有效同时捕获两个视觉线索。为了处理行人复杂的外观变化，许多方法选择一组分类器分阶段做出行人和非行人决策[3]。不同分类器负责不同样本。……