邝先验,陈 涛,周亚龙,欧阳鹏

(江西理工大学 电气工程与自动化学院，江西 赣州 341000)

0 引言

两轮车在交通出行中越来越普及，又因其载人不规范，易引起交通事故，所以对两轮车辆载人的检测迫在眉睫。而两轮车辆载人检测的关键是对两轮车上乘客的检测，这与行人检测有许多相似之处，所以可以借鉴行人检测的研究成果。

文献[1]研究了人脸肤色和发色的差异，再聚类并建立人头模型，最后模板匹配检测人头，对行人检测精度高。文献[2]在图片中使用固定的滑动窗口提取特征，使用自适应提升算法训练分类器，通过筛选式级联把分类器衔接起来，进行目标分类识别。文献[3]先计算梯度方向直方图，再用支持向量机(support vector machine, SVM)训练得到物体的梯度模型，最后将模型与目标匹配，进行目标检测。文献[4]通过分离运动目标和背景，对背景使用融合区域匹配和特征匹配，可快速检测出人头。但上述传统算法提取的特征比较单一，受环境影响较大。近些年，深度学习技术已成为目标检测的主流方向[5-10]，也被应用到行人检测中。文献[11]建立行人人头模型，提取头部特征，利用Faster R-CNN训练测试，具有优良的自适应性。文献[12]采用金字塔网络结构和特征融合技术来改进Faster R-CNN，提高了模型对煤矿井下行人检测的效果。文献[13]通过实验对比不同的特征提取网络和检测算法，发现以InceptionV2为特征提取网络的Faster R-CNN在车站行人检测中有较好的效果，算法的检测精度为81.08%，检测时间为0.576 5 s。

综上，Faster R-CNN算法具有良好的自适应性，且具有较高的检测精度和较快的检测速度，所以选择该算法进行两轮车辆载人的检测。……