单 巍,王江涛,陈得宝,李素文

(淮北师范大学物理与电子信息学院,安徽 淮北 235000)

1 引 言

行人检测作为汽车辅助驾驶[1-2]、智能监控[3-4]和高级人机接口[5-6]的先决条件,一直是计算机视觉领域的研究热点。由于行人姿态与所处背景的多样性,行人检测也一直是计算机视觉中的难点问题。行人检测主要采取统计分类的方法,先图像进行感兴趣区域(ROIs)分割[7-8],然后对ROIs进行特征提取[9-11],最后送入分类器进行二分类[12-13]。早期应用较为广泛的是梯度方向直方图(HOG)与支持向量机(SVM)相结合的方法[14],在实践中也取得了较好的效果。但在复杂背景和存在遮挡的情况下,检测效果将大打折扣。将其他特征与HOG相结合可以提高算法的鲁棒性,但实时性有所降低[9]。与可见光图像相比,红外成像系统对光照不敏感,夜间也能正常工作,物体的亮度取决于物体本身辐射出的热量,人体在红外图像中一般体现为高亮区域；但其缺点在于红外图像中损失了颜色、纹理等信息,能够利用的仅仅是亮度与梯度信息,可用信息的降低给特征提取增加了难度[15]。因此,传统行人检测方法中,检测效果很大程度上取决于设计特征的好坏。人工设计特征费时费力,需要启发式专业知识,很大程度上依靠设计者的经验和运气。

随着“Alpha Go”战胜人类棋手成为人工智能领域最热门的新闻[16],“深度学习”(deep learning,DL)[17]方法引起研究者们越来越多的关注。与以往的模式识别方法相比,深度学习(deep learning)最大的特点是不再由人工设计特征,而是输入原始数据,通过大量的训练样本对构建的含有多个隐藏层的神经网络进行训练,由网络自动地学习所需的特征。……