APP下载

复杂环境下多尺度行人实时检测方法

2021-07-29周薇娜孙丽华徐志京

电子与信息学报 2021年7期
关键词:特征提取特征融合

周薇娜 孙丽华 徐志京

(上海海事大学 上海 201306)

1 引言

行人检测旨在从视频和图像中定位行人目标,是计算机视觉领域中一项传统但又极其重要的任务。随着时代的发展,行人检测技术非但没有被淘汰,反而越发在实际生活中发挥出了重要作用,获得了越来越多的关注[1–3]。现如今在大多数人工智能应用中,例如自动驾驶、人流统计、行人身份识别、行人跟踪、行人行为动作分析等方面,行人检测技术都独立或作为一个重要环节起到了独一无二,无可替代的作用。

行人检测技术一般主要由特征提取和目标分类决策两部分组成。传统行人检测算法将这两部分分开执行。首先通过手工提取行人特征(包括颜色、边缘和纹理等常用特征),然后用这些特征来训练好分类器后进行检测。手工提取特征有诸如SIFT[4]或梯度方向直方图[5](Histogram of Oriented Gradients, HOG)等,而特征分类器,例如支持向量机[6](Support Vector Machines, SVM)、适应提升方法[7](Adaptive Boosting, AdaBoost)和随机森林[8](Random forest,RF)等。这种检测方法基于滑动窗口区域,没有针对性,计算量大,时间复杂度高,有窗口冗余,且手工特征对于背景复杂的情况不具有很好的鲁棒性。基于以上分析,传统方法无论在速度还是准确性方面都无法在实际应用中获得令人满意的结果。

基于深度学习的目标检测算法近年来在计算机视觉任务方面取得了重大突破[9–11],大幅度地提高了检测算法的准确率。基于深度学习的行人检测算法主要集中为两类:

(1)两步检测算法:将检测问题分为两个阶段,第1阶段生成候选区域,第2阶段对候选区域做回归和分类。……

登录APP查看全文

猜你喜欢

特征提取特征融合
村企党建联建融合共赢
融合菜
从创新出发,与高考数列相遇、融合
《融合》
如何表达“特征”
基于Gazebo仿真环境的ORB特征提取与比对的研究
不忠诚的四个特征
一种基于LBP 特征提取和稀疏表示的肝病识别算法
基于MED和循环域解调的多故障特征提取
线性代数的应用特征