邱博，刘翔，*，石蕴玉，尚岩峰

（1.上海工程技术大学 电子电气工程学院，上海 201620； 2.公安部第三研究所 物联网技术研发中心，上海 200031）

视频监控系统作为当前城市公共安全的基础设施，视频图像信息已成为支撑治安防控、维护社会稳定的重要手段。随着监控系统朝着智能化方向发展，视频检测手段更加成熟、完善，检测精度逐渐增高。行人与车辆作为公共安全监控过程中重要的检测目标，精准性和实时性变得愈发重要。然而现实中复杂场景下，尤其在车辆堵塞的地区、行人汇集地域，行人与车辆检测的精度、速度受到了极大的影响。合理均衡模型处理速度、检测精度，成为视频监控系统中亟待解决的问题。

目前，针对目标检测算法主要有2个研究方向。一是利用传统的方法提取特征并进行检测，使用 的 特 征 包 括HOG、SURF［1］、SIFT［2］、Haar［3］等。该类算法都是在候选区域内提取特征，最后使用支持向量机［4］、随机森林、自适应增强［5］等方法进行检测与识别。二是利用深度学习进行目标检测，可以细分为二阶段与一阶段检测网络。二阶段模型中，Girshick等基于RCNN［6］，利用selective search方法输入整张图片生成2 000个候选区域，随后将包含目标区域的图片送入网络中训练，经过一系列卷积操作提取特征，最后进行检测，生成的候选区域中包含大量重叠部分，导致RCNN模型训练速度慢，处理效率低下。Girshick提出的Fast-RCNN［7］改进了RCNN先提取候选区域后训练的机制，直接对整张图像进行训练，模型将候选区域映射到最后一层特征图上，该做法使得卷积层输出的候选区域经过ROI Pooling后得到固定的尺度，该方法减少了大量的重复计算，在训练速度、检测速度与训练空间上都进一步地减少。……