曹帅，张晓伟，马健伟

（青岛大学 计算机科学技术学院，青岛266071）

随着人工智能与计算机视觉技术的发展以及人们对公共安全领域的日益重视，智能视频监控技术已经发展为当前的研究热点。行人检测是智能化视频监控系统中的核心关键技术之一，并为后续的更高层次的视频分析与理解提供可靠的数据支持。因此，行人检测技术直接影响着智能视频监控的智能化水平，具有重要的研究意义和应用价值。

近年来，基于深度卷积神经网络的通用目标检测［1-3］取得了巨大的成功，尤其是Girshick等提出的基于R-CNN［4］目标检测模型，代替了手工设计特征［5-6］极大地提高了行人检测的性能。然而，在视频监控系统中行人存在不同空间尺度的差异，尤其是大尺度、低分辨率的行人目标对行人检测技术带来了极大的挑战。为解决行人在空间尺度变化下的检测问题，目前主要分为2种策略：图像金字塔［7-8］和特征金字塔［2，9-10］。基于图像金字塔的多尺度行人检测方法通过采样输入图像得到不同尺度的图像金字塔集合，以预测最终的检测结果。其中，具有代表性的图像金字塔的尺度归一化网络（SNIP）［7］及其加强版具有高效重采样的图像金字塔的尺度归一化网络（SNIPER）［8］，其选取若干个正样本区域和负样本区域作为图像金字塔。然而，这种基于图像金字塔的行人检测方法在时间和内存方面的消耗是巨大的，限制了在实时智能监控视频任务中的应用。

为兼顾精度与速度，基于特征金字塔的多尺度方法被广泛应用到目标检测。……