赵九霄， 刘 毅， 李国燕

(天津城建大学 计算机与信息工程学院，天津 300384)

0 引 言

视频监控已经成为生活中不可或缺的一部分，其重点应用于驾驶辅助系统、安检等方面。行人检测作为视频监控中的关键组成部分，其研究目的是在复杂场景下准确并且快速检测出行人目标。现阶段行人检测特征提取方法主要分为传统的基于人工设计的特征提取方法和基于神经网络的特征提取方法。

传统目标检测方法[1,2]对浅层特征描述较好，对数据量较少的数据集具有良好的分辨能力，但对于数据量较多的数据集则显示出计算能力的不足，且存在着不能体现深层次特征的问题。基于神经网络方法[3]可以为视频行人检测提供较为深层次的特征，并且可以应对数据集带来的计算量过大的问题，但却没有解决帧与帧之间运动信息联系的问题。

为了解决上述问题，Kang K等人[4]提出了一种基于静止图像的行人检测框架，结合时间信息来规范检测结果。随着递归神经网络(recurrent neural network,RNN)在视觉和序列学习[5]、目标跟踪[6]、目标识别[7]方面的成功应用，文献[8]为了解决当输入图像为长序列时RNN体系结构精度退化的问题，将可以产生高精度的长短期记忆(long short-term memory,LSTM)网络引入到模型中，该方法具有较高的精度。Liu M等人[9]创建了一个交织的递归卷积体系结构，并提出了一个有效的瓶颈层，与常规LSTM相比，可以提高运算效率。文献[10]提出了一种ConvLSTM结构，并利用它建立了端到端的可训练模型。Karpathy A等人[11]提出了一种用自然语言描述生成图像的模型，构建了一种多形态递归神经网络体系结构。……