基于深度学习的行人检测和分析 工商管理专业

基于深度学习的行人检测与识别PEDESTRIANDETECTIONANDRECOGNITIONBASEDONDEEPLEARNING

1摘要行人检测作为计算机视觉的热门研究方向之一，其本质就是运用检测算法对计算机获取的特定场景的图像进行检测与识别，收集相关行人行为的数据，并对其展开研究和分析，以此来对行人的后续行为进行预测，或者对其进行身份验证和识别、轨迹进行跟踪。在实际生活中，行人检测与识别最广泛的应用就是视频监控场景。然而由于行人检测场景的复杂性，导致行人检测与识别的准确度还有待提高。目前的相关算法往往采用人工设计特征，这类特征需要由学者进行专门的设计，鲁棒性不强，|并且无法实现图像或者视频行人的实时检测。因此本文提出基于卷积神经网络的行人检测与识别研究，旨在提高其识别准确率和实时性。本文主要工作为：（1）针对深度学习模型的训练需要大量的数据，并且网络层次越多训练所需要的样本数据量就越大的问题，本文采用数据检索的方式对INRIA数据集进行扩充，克服数据量不足的缺陷，从而防止深度学习模型过拟合的出现。在充分考虑到INRIA数据集中行人背景分布和行人分辨率等问题上，对INRIA数据集进行扩充。扩充后的数据集结构以及数据分布均不变，通过增加样本数据的方式提高训练处理模型的精确度。（2）针对传统行人检测鲁棒性不强，并且无法实现图像或者视频行|人的实时检测的缺点，提出基于YOLOv2的端到端的目标检测方法，通过融合深度残差神经网络，提出了一种改进的深度残差神经网络的行人检测方法。针对行人的行人图像横向信息不足的缺陷，提出了一种矩形输入的分类模型，加强了对于行人特征的提取能力；与此同时，通过聚类算法K-means重新设计了预测初始框，进一步提高了行人的定位能力。关键词：深度学习，卷积神经网络，深度残差神经网络，行人检测与识别

2ABSTRACTPedestriandetectionisoneofthehotresearchdirectionsofcomputervision.Itsessenceistouset|hedetectionalgorithmtodetectandidentifytheimagesofspecificscenesacquiredbythecomputer,collectthedataofrelevantpedestrianbehaviors,andconductresearchandanalysisonthem.Thefollow-upbehaviorofthepedestrianispredicted,oritisauthenticatedandidentified,andthetrajectoryistracked.Inreallife,themo|stwidelyusedapplicationforpedestriandetectionandidentificationisthevideosurveillancescene.However,duetothecomplexityofthepedestriandetectionscene,theaccuracyofpedestriandetectionandrecognitionneedstobeimproved.Atpresent,relatedalgorithmsoftenadoptartificialdesignfeatures.Suchfeaturesneed|tobespeciallydesignedbyscholars,andtherobustnessisnotstrong,andreal-timedetectionofimagesorvideopedestrianscannotberealized.Therefore,thispaperproposesapedestriandetectionandrecognitionbasedonconvolutionalneuralnetwork,aimingtoimproveitsrecognitionaccuracyandreal-time.Themainworkofthispa|peris::(1)Ingeneral,thetrainingofthedeeplearningmodelrequiresalotofdata,andthemorethesampledataisneededforthemoretrainingatthenetworklevel,whichispossibletoavoidthenetworkoverfittingeffectively.Basedonthis,theINRIAdataisextendedbydataretrievaltoovercomethedefectofinsufficientdataquantity|inourarticle,soastopreventtheoccurrenceofover-fittingofdeeplearningmodel.Thismethodtakesfullaccountofthepedestrianresolutionandbackgrounddistributionoftheoriginaldatabasewhendatabaseexpansionisextended,sothattheextendeddatabasestillmaintainstheoriginaldatadistributionofthedatabase,whichi|sbeneficialtothetrainingoflogarithms.Whatwedoistotrainabetterdeeplearningnetworkfordatabasedetection.(2)Inordertosolvetheproblemthatthetraditionalpedestriandetectionneedsartificialdesignfeatures,a