一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)行人識(shí)別方法

陳聰，楊忠，宋佳蓉，韓家明

南京航空航天大學(xué)自動(dòng)化學(xué)院，江蘇南京211106

近年來(lái)，隨著與人工智能產(chǎn)業(yè)的興起以及交通運(yùn)輸?shù)刃袠I(yè)的不斷發(fā)展，行人檢測(cè)技術(shù)在智能監(jiān)控、智能駕駛等領(lǐng)域得到了廣泛的關(guān)注。傳統(tǒng)行人檢測(cè)方法中，通過(guò)人工設(shè)計(jì)的特征提取器，例如Haar、方向梯度直方圖(histogram of oriented gradient,HOG)、局部二值模式(local binary pattern，LBP)等從訓(xùn)練樣本中提取行人特征，再用提取的行人特征訓(xùn)練支持向量機(jī)(support vector machine，SVM)等分類(lèi)器，進(jìn)行行人檢測(cè)任務(wù)[1]。例如可利用HOG+LBP特征處理行人遮擋問(wèn)題，提高行人檢測(cè)的準(zhǔn)確率[2]。隨著積分通道特征(integral channel features，ICF)、 聚 集 信 道 特 征(aggregated channel features，ACF)、梯度幅值特征，LUV顏色特征等提出，行人特征獲得了更好地表達(dá)，在行人檢測(cè)任務(wù)中也取得了較好的成果[3]。但通過(guò)手動(dòng)設(shè)計(jì)的行人特征有著泛化性差、難以適應(yīng)行人形態(tài)變化等缺點(diǎn)，在實(shí)際應(yīng)用中困難重重。

隨著深度學(xué)習(xí)的迅速發(fā)展，硬件計(jì)算能力不斷增強(qiáng)，相應(yīng)的數(shù)據(jù)集不斷構(gòu)建，深度神經(jīng)網(wǎng)絡(luò)在不同的視覺(jué)任務(wù)中取得了巨大的成功，深度網(wǎng)絡(luò)模型也在行人檢測(cè)領(lǐng)域得到了廣泛的運(yùn)用[3]。深度神經(jīng)網(wǎng)絡(luò)模型可以從圖像像素中學(xué)習(xí)特征，提高行人檢測(cè)器性能。在目標(biāo)檢測(cè)方面，基于區(qū)域建議(regional proposal，RP)的目標(biāo)檢測(cè)算法如基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)[4](region based convolutional neural networks，RCNN)、Faster?RCNN[5]， 基于回歸(regression)的目標(biāo)檢測(cè)算法如單鏡頭多盒檢 測(cè) 器[6](single shot multibox detector，SSD)、You Only Look Once[7](YOLO)系列算法，不僅大大加快了目標(biāo)檢測(cè)的速度，也維持了較高的準(zhǔn)確率。

然而，現(xiàn)有的目標(biāo)檢測(cè)算法中，R?CNN、Faster R-CNN由于實(shí)時(shí)性難以得到保證而較難實(shí)現(xiàn)應(yīng)用；YOLO系列算法在經(jīng)過(guò)不斷地改進(jìn)后，在檢測(cè)的實(shí)時(shí)性方面性能十分突出：YOLO V2[8]、YOLO V3[9]雖然具有較好的檢測(cè)準(zhǔn)確率，但是需要較大的GPU顯存(>4GB)，資源消耗量大，在部署方面存在一定的困難。因此，需要設(shè)計(jì)一種具有較好的實(shí)時(shí)性且對(duì)GPU等硬件配置要求不高的網(wǎng)絡(luò)。我們選擇Tiny?YOLO[10]網(wǎng)絡(luò)，這是YOLO系列網(wǎng)絡(luò)的簡(jiǎn)化版，擁有更少的卷積層、更快的檢測(cè)速度以及較好的檢測(cè)精度。對(duì)Tiny?YOLO網(wǎng)絡(luò)進(jìn)行改進(jìn)，使其滿(mǎn)足行人檢測(cè)的實(shí)際需求。

1 Tiny?YOLO原理

1.1 Tiny?YOLO網(wǎng)絡(luò)結(jié)構(gòu)

Tiny?YOLO主干網(wǎng)絡(luò)擁有7個(gè)3×3的卷積(convolution)層，6個(gè)池化(maxpooling)層，前5為個(gè)步長(zhǎng)為2的池化層，最后一個(gè)為步長(zhǎng)為1的池化層。模型輸入為416pix×416pix，在經(jīng)過(guò)5個(gè)步長(zhǎng)為2的池化層后，最終特征圖大小為13×13。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

在神經(jīng)網(wǎng)絡(luò)中，輸入的圖片中目標(biāo)大小不同，不同尺寸的目標(biāo)在最終輸出時(shí)獲取的特征信息量不同。神經(jīng)網(wǎng)絡(luò)中較淺的卷積層可以很好地表征小尺寸目標(biāo)，而較深的卷積層的特征能更好地描述大尺寸目標(biāo)。因此，根據(jù)目標(biāo)尺寸的不同，選擇不同的卷積層特征獲取更多的語(yǔ)義信息，對(duì)目標(biāo)進(jìn)行預(yù)測(cè)[11]，這樣對(duì)不同尺寸的目標(biāo)有更好的適應(yīng)性。在Tiny?YOLO網(wǎng)絡(luò)中使用了2種尺度對(duì)目標(biāo)進(jìn)行預(yù)測(cè)：

1)在基礎(chǔ)網(wǎng)絡(luò)之后添加一些卷積層進(jìn)行預(yù)測(cè)，此時(shí)特征圖大小為13pix×13pix。尺度1)對(duì)大尺寸目標(biāo)有較好的預(yù)測(cè)能力。

2)從尺度1)中的倒數(shù)第2層的卷積層進(jìn)行2倍上采樣，上采樣可以幫助網(wǎng)絡(luò)學(xué)習(xí)細(xì)粒度特征，與最后一個(gè)尺寸為26pix×26pix的特征圖相加，再次通過(guò)多個(gè)卷積后輸出預(yù)測(cè)信息，特征圖大小為26pix×26pix。尺度2)使用了較大的特征圖，對(duì)較小尺寸的目標(biāo)有更好的預(yù)測(cè)能力。

圖1 Tiny-YOLO網(wǎng)絡(luò)結(jié)構(gòu)

1.2 損失函數(shù)

在YOLO系列網(wǎng)絡(luò)中，損失函數(shù)由坐標(biāo)誤差、交并比(intersection over union，IOU)誤差和分類(lèi)誤差3部分組成。

在行人檢測(cè)訓(xùn)練時(shí)，訓(xùn)練損失函數(shù)可表示為：

式中：S代表最終特征圖的網(wǎng)格尺寸；B代表每個(gè)網(wǎng)格的預(yù)測(cè)框個(gè)數(shù)；(x，y)代表代表框的中心坐標(biāo)，w、h代表框的寬和高；c代表框的置信度(confidence)；p代表行人置信度；λcoord為候選框損失權(quán)重，為分類(lèi)損失權(quán)重；表示第i個(gè)網(wǎng)格的第j個(gè)預(yù)測(cè)框存在行人的可能性，表示判定第i個(gè)網(wǎng)格存在行人的概率；為網(wǎng)絡(luò)相應(yīng)的預(yù)測(cè)值。

1.3 激活函數(shù)

在卷積神經(jīng)網(wǎng)絡(luò)中，需要引入非線性函數(shù)作為激活函數(shù)。引入激活函數(shù)可以增加神經(jīng)網(wǎng)絡(luò)模型的非線性，使神經(jīng)網(wǎng)絡(luò)模型具有更好的表達(dá)能力。在卷積神經(jīng)網(wǎng)絡(luò)中，常用的激活函數(shù)有Sigmod函數(shù)、tanh函數(shù)、ReLU函數(shù)等。Tiny-YOLO網(wǎng)絡(luò)采用了leaky ReLU函數(shù)作為激活函數(shù)，這樣可以有效地避免在訓(xùn)練階段Sigmod、ReLU等函數(shù)出現(xiàn)的梯度消失問(wèn)題[12]。leaky ReLU激活函數(shù)公式為：

1.4 邊界框預(yù)測(cè)

Tiny-YOLO使用由維度聚類(lèi)得到anchor box作為先驗(yàn)框來(lái)預(yù)測(cè)邊界框(bounding box)：

式中：cx、cy是網(wǎng)格的坐標(biāo)偏移量；ph、pw是預(yù)設(shè)的anchor box的邊長(zhǎng)，最終得到的(bx，by)為邊界框的中心坐標(biāo)；bw、bh為邊界框?qū)挾群透叨?；tx、ty為邊界框中心坐標(biāo)的學(xué)習(xí)目標(biāo)；tw、th為邊界框?qū)挾群透叨鹊膶W(xué)習(xí)目標(biāo)；σ表示預(yù)測(cè)的邊框的置信度。

2 改進(jìn)的Ped?YOLO網(wǎng)絡(luò)

Tiny?YOLO網(wǎng)絡(luò)作為針對(duì)多類(lèi)別目標(biāo)檢測(cè)的一種簡(jiǎn)化網(wǎng)絡(luò)，已經(jīng)取得了較好的檢測(cè)效果和實(shí)時(shí)性，但并不完全適合行人檢測(cè)任務(wù)，因此，需要針對(duì)具體問(wèn)題進(jìn)行相應(yīng)的改進(jìn)。

在現(xiàn)有的行人檢測(cè)模型如HyperLearner[13]中，一方面，利用額外的通道特征改善行人檢測(cè)模型的性能；另一方面，通過(guò)采用更小的卷積核以及更多的采樣獲得更全面的行人特征表達(dá)。文中用于行人檢測(cè)的Ped?YOLO模型相對(duì)于Tiny-YOLO模型改進(jìn)主要體現(xiàn)在以下3個(gè)方面：

1)改變訓(xùn)練時(shí)輸入圖像的分辨率；

2)對(duì)行人檢測(cè)數(shù)據(jù)集的目標(biāo)框進(jìn)行聚類(lèi)，確定anchor參數(shù)；

3)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，使用更深的卷積神經(jīng)網(wǎng)絡(luò)對(duì)行人特征進(jìn)行提取。

2.1 優(yōu)化輸入圖像分辨率

行人識(shí)別研究表明，圖像中行人身高和寬度為一定值，行人的橫向特征表達(dá)比縱向特征表達(dá)少，增加橫向特征表達(dá)有助于行人識(shí)別。文中采用改變網(wǎng)絡(luò)模型輸入的長(zhǎng)寬比例，利用矩形輸入網(wǎng)絡(luò)提取更多的橫向特征[14]，考慮到原網(wǎng)絡(luò)輸入圖像尺寸為416×416，為避免輸入圖像分辨率對(duì)網(wǎng)絡(luò)的影響，選擇了608×288分辨率圖像作為網(wǎng)絡(luò)輸入。一方面可以有更好的橫向特征提取效果；另一方面二者具有相近的像素?cái)?shù)，不會(huì)影響檢測(cè)實(shí)時(shí)性。

2.2 K-means聚類(lèi)分析

YOLO系列算法引入了Faster R?CNN中的anchor boxes的思想[15]，在數(shù)據(jù)集上進(jìn)行聚類(lèi)確定anchor boxes。YOLOv2的初始候選框anchor參數(shù)針對(duì)PASCAL VOC數(shù)據(jù)集進(jìn)行聚類(lèi)確定，聚類(lèi)結(jié)果為5，因此其anchor數(shù)目為5；YOLOv3初始候選框anchor參數(shù)針對(duì)COCO數(shù)據(jù)集聚類(lèi)確定，聚類(lèi)結(jié)果為9，因此其anchor的數(shù)目為9，分屬3個(gè)不同預(yù)測(cè)尺度；Tiny-YOLO的anchor參數(shù)同樣針對(duì)COCO數(shù)據(jù)集聚類(lèi)確定，聚類(lèi)結(jié)果為6，因此其anchor的個(gè)數(shù)為6，分屬2個(gè)不同預(yù)測(cè)尺度。由于PASCAL VOC數(shù)據(jù)集與COCO數(shù)據(jù)集中類(lèi)別較多，得到的anchor參數(shù)具有普適性，但是并不適用于行人檢測(cè)。在行人檢測(cè)中，行人的長(zhǎng)寬比不會(huì)因行人的背景、姿態(tài)等發(fā)生大的改變，往往是一個(gè)相對(duì)固定的比值，因此需要對(duì)數(shù)據(jù)集進(jìn)行聚類(lèi)分析，重新選擇最優(yōu)的anchor個(gè)數(shù)和寬高維度。文中采用K-means聚類(lèi)方法獲得先驗(yàn)框的尺寸，得到anchor的個(gè)數(shù)和寬高維度。

通過(guò)設(shè)置先驗(yàn)框，可以提高預(yù)測(cè)框與ground truth之間的交并比。IOU是產(chǎn)生的候選框(candidate bound)與原標(biāo)記框(ground truth bound)的交疊率，即它們的交集與并集的比值。傳統(tǒng)的K-means聚類(lèi)方法對(duì)兩點(diǎn)間距離進(jìn)行計(jì)算常用的是曼哈頓距離、歐式距離等。如果使用歐式距離函數(shù)，這會(huì)導(dǎo)致較大的框比較小的框產(chǎn)生更多的錯(cuò)誤，考慮到行人檢測(cè)數(shù)據(jù)集中行人尺寸問(wèn)題，采用IOU來(lái)衡量聚類(lèi)結(jié)果。

聚類(lèi)中的距離函數(shù)為：

式中：centroid代表簇的中心；box代表樣本聚類(lèi)結(jié)果；IOU(box,centroid)代表簇中心框和聚類(lèi)框的交并比。

選擇608×288作為模型輸入大小，對(duì)行人檢測(cè)數(shù)據(jù)集進(jìn)行聚類(lèi)分析，使用遞增的方法選擇k值。通過(guò)計(jì)算不同k值下的IOU值，選擇k的最優(yōu)值。IOU與k的關(guān)系如圖2所示。

圖2 IOU?k折線圖

根據(jù)圖中的折線可知，在k=6之后，IOU值的增加逐漸變得平緩?？紤]到網(wǎng)絡(luò)的計(jì)算量，且改進(jìn)的Ped-YOLO網(wǎng)絡(luò)中使用原Tiny-YOLO網(wǎng)絡(luò)在2種尺度上進(jìn)行跨尺度預(yù)測(cè)的方法，最終采用k=6的聚類(lèi)結(jié)果。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)

在卷積神經(jīng)網(wǎng)絡(luò)中，更多的卷積層與更深的網(wǎng)絡(luò)結(jié)構(gòu)往往對(duì)目標(biāo)特征有更好的提取效果。而原Tiny?YOLO網(wǎng)絡(luò)的層數(shù)較少，主干網(wǎng)絡(luò)中只有7層卷積層，很難對(duì)行人目標(biāo)特征有較好的提取效果，因此需要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，增加的卷積層如圖3所示。一方面，考慮到行人區(qū)域相對(duì)較小，為了獲得更高分辨率的信息，常用的7×7卷積層和5×5卷積層不適用于行人檢測(cè)，因此選取3×3卷積核對(duì)原Tiny?YOLO網(wǎng)絡(luò)進(jìn)行加深。相對(duì)于原Tiny?YOLO網(wǎng)絡(luò)，Ped?YOLO在主干網(wǎng)絡(luò)中增加了額外的3個(gè)3×3卷積層。

圖3 Ped-YOLO中增加的卷積層

另一方面，在網(wǎng)絡(luò)加深的同時(shí)，額外的卷積層會(huì)造成網(wǎng)絡(luò)模型參數(shù)過(guò)多，從而增加網(wǎng)絡(luò)的運(yùn)算量。通過(guò)借鑒Resnet[16]與Densenet[17]的思想，我們?cè)诰W(wǎng)絡(luò)中引入1×1卷積核。引入1×1卷積核的作用有兩方面：一方面是卷積核通道數(shù)的降維，減少卷積核參數(shù)，簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)模型；另一方面，引入1×1的卷積核，在前一卷積層的學(xué)習(xí)表示上添加了非線性激勵(lì)，提升了網(wǎng)絡(luò)的表達(dá)能力，同時(shí)也增加了模型深度，一定程度上提升了模型的表征能力。Ped?YOLO最終網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 Ped-YOLO網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果及分析

3.1 訓(xùn)練及測(cè)試數(shù)據(jù)集

文中采用的行人檢測(cè)數(shù)據(jù)庫(kù)為PASCAL VOC與INRIA混合數(shù)據(jù)集。INRIA數(shù)據(jù)集是目前使用最廣泛的靜態(tài)行人檢測(cè)數(shù)據(jù)集，INRIA數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，訓(xùn)練集中包含了正負(fù)樣本，其中正樣本614張，正樣本中有2416人，負(fù)樣本1218張；測(cè)試集中包含正樣本288張，正樣本中有1126人，負(fù)樣本453張。INRIA數(shù)據(jù)集中圖片的清晰度較高，背景也較為復(fù)雜，拍攝條件多樣，存在光線變化、人體遮擋等情形，圖片中人體大部分為站立姿勢(shì)，高度大于100個(gè)像素[18]。考慮到INRIA數(shù)據(jù)集訓(xùn)練樣本較少，實(shí)際應(yīng)用時(shí)泛化能力較差且容易出現(xiàn)過(guò)擬合現(xiàn)象，本文提取了PASCAL VOC數(shù)據(jù)集中行人圖片6383張，與INRIA數(shù)據(jù)集進(jìn)行數(shù)據(jù)融合，提高Ped?YOLO網(wǎng)絡(luò)的泛化能力。

3.2 實(shí)驗(yàn)平臺(tái)

本文實(shí)驗(yàn)平臺(tái)配置如表1所示。在該實(shí)驗(yàn)環(huán)境下，本文中的Ped?YOLO模型在720p的mp4視頻上檢測(cè)速度可達(dá)到66.8f/s，滿(mǎn)足實(shí)時(shí)性要求。

表1 實(shí)驗(yàn)平臺(tái)軟硬件配置

3.3 模型搭建與訓(xùn)練

在開(kāi)源的深度學(xué)習(xí)框架Darknet上，搭建與訓(xùn)練Ped?YOLO模型。作為一種廣泛應(yīng)用的深度學(xué)習(xí)框架，Darknet可適用于多種格式的圖片輸入，其中INRIA數(shù)據(jù)集的圖片為PNG格式，PASCAL VOC數(shù)據(jù)集的圖片為JPEG格式。訓(xùn)練時(shí)學(xué)習(xí)率采用均勻分布策略(polynomial decay)，模型的初始學(xué)習(xí)率(learning rate)設(shè)為0.001，在25000和30000次迭代后，學(xué)習(xí)率乘以0.1，動(dòng)量系數(shù)為0.9，權(quán)值衰減系數(shù)為0.0010，訓(xùn)練中采用了圖像隨機(jī)調(diào)整曝光、飽和度、色調(diào)等方法對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充。此外，在訓(xùn)練時(shí)，每迭代10次改變模型的輸入尺寸，使模型對(duì)于不同尺寸的圖像具有更好的檢測(cè)效果。

3.4 實(shí)驗(yàn)結(jié)果與分析

3.4.1 混合數(shù)據(jù)集測(cè)試

分別在INRIA數(shù)據(jù)集和PASCAL VOC混合數(shù)據(jù)集上訓(xùn)練Ped?YOLO網(wǎng)絡(luò)，并使用INRIA測(cè)試集進(jìn)行測(cè)試。評(píng)價(jià)指標(biāo)為召回率(recall)與平均精確值(mean average precision，mAP)，召回率指正確識(shí)別出來(lái)的行人個(gè)數(shù)與測(cè)試集中所有行人的個(gè)數(shù)的比值。

實(shí)驗(yàn)結(jié)果如表2所示。結(jié)果表明，使用PASCAL VOC+INRIA混合數(shù)據(jù)集訓(xùn)練與使用INRIA數(shù)據(jù)集訓(xùn)練相比，在混合數(shù)據(jù)集上，mAP提高了1.07%，召回率提高了0.05。

表2 混合數(shù)據(jù)集測(cè)試結(jié)果

3.4.2 平均交并比測(cè)試

為了驗(yàn)證文中設(shè)計(jì)的Ped?YOLO網(wǎng)絡(luò)的定位準(zhǔn)確性，利用平均交并比作為指標(biāo)進(jìn)行評(píng)測(cè)。本文在混合數(shù)據(jù)集上分別訓(xùn)練了Tiny?YOLO系列網(wǎng)絡(luò)中的YOLOv2?tiny網(wǎng)絡(luò)和YOLOv3?tiny網(wǎng)絡(luò)作為Ped?YOLO網(wǎng)絡(luò)的對(duì)照，并使用INRIA數(shù)據(jù)集中測(cè)試集測(cè)試平均交并比。

對(duì)比結(jié)果如表3所示。結(jié)果表明，相比較于YOLOv2?tiny網(wǎng)絡(luò)，Ped?YOLO網(wǎng)絡(luò)平均交并比提高了10.03%；相比較于YOLOv3?tiny網(wǎng)絡(luò)，Ped?YOLO網(wǎng)絡(luò)平均交并比提高了5.41%。這說(shuō)明，在測(cè)試集上，Ped?YOLO產(chǎn)生的預(yù)測(cè)框與原標(biāo)記框的交疊率更高，對(duì)行人定位的精度更好。原因在于，通過(guò)對(duì)數(shù)據(jù)集的K?means聚類(lèi)分析選擇先驗(yàn)框以及網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)，可以更好地提升模型的定位精度。

表3 平均交并比測(cè)試結(jié)果 %

3.4.3 精度測(cè)試

使用INRIA數(shù)據(jù)集中測(cè)試數(shù)據(jù)集進(jìn)行精度測(cè)試。本文選擇LAMR[19](log?average miss rate)指標(biāo)作為評(píng)判的標(biāo)準(zhǔn)。LAMR指標(biāo)表示的是平均每張圖片誤檢數(shù)(false positive per image，F(xiàn)PPI)在［10?2，102］上與漏檢率之間的關(guān)系。在FPPI=0.1時(shí)，將本文的方法與傳統(tǒng)的HOG+SVM、Latent SVM+HOG方法以及YOLOv2?tiny、YOLOv3?tiny的檢測(cè)效果進(jìn)行比較。

實(shí)驗(yàn)結(jié)果如表4所示。Ped?YOLO相對(duì)于SVM+HOG[20]方法漏檢率減少32.74%，相對(duì)于Latent SVM+HOG[21]方法漏檢率減少6.72%，相對(duì)于YOLOv2-tiny網(wǎng)絡(luò)漏檢率減少4.40%，相對(duì)于YOLOv3-tiny網(wǎng)絡(luò)漏檢率減少4.07%。原因在于，采用人工設(shè)計(jì)的特征提取器(如HOG、LBP等特征提取算法)，行人特征表達(dá)不夠充分；而YOLOv2?tiny、YOLOv3?tiny雖然通過(guò)卷積網(wǎng)絡(luò)學(xué)習(xí)行人特征，但卷積網(wǎng)絡(luò)層數(shù)相對(duì)較少；而Ped-YOLO網(wǎng)絡(luò)解決了這個(gè)問(wèn)題，因此對(duì)行人特征的表達(dá)能力優(yōu)秀。

表4 精度測(cè)試結(jié)果 %

為了更加直觀地檢驗(yàn)Ped?YOLO網(wǎng)絡(luò)的有效性，本文選取INRIA測(cè)試集中圖像以及私有圖像進(jìn)行了檢測(cè)效果測(cè)試，從中挑選了3張不同行人尺寸以及存在遮擋情況的圖像在Tiny?YOLO和Ped?YOLO這2個(gè)不同的模型上分別進(jìn)行檢測(cè)，其結(jié)果如圖5、6所示。

圖5 Tiny?YOLO檢測(cè)結(jié)果

圖6 Ped?YOLO檢測(cè)結(jié)果

可以看出，對(duì)于圖像中較大尺度的無(wú)遮擋行人，2種網(wǎng)絡(luò)具有相近的檢測(cè)能力；對(duì)于較小尺寸的行人，改進(jìn)的Ped?YOLO網(wǎng)絡(luò)有著較好的檢測(cè)結(jié)果，而Tiny?YOLO網(wǎng)絡(luò)則會(huì)對(duì)小尺寸行人存在漏檢的情況。此外，對(duì)于圖像中存在的部分互相遮擋的目標(biāo)行人，Tiny?YOLO的定位精度較差，且存在漏檢的情況；而Ped?YOLO網(wǎng)絡(luò)在存在部分互相遮擋的行人情況下，表現(xiàn)出了非常好的性能，有著更好的定位精度，漏檢率更低。這說(shuō)明，改進(jìn)了訓(xùn)練時(shí)的分辨率，并針對(duì)行人檢測(cè)數(shù)據(jù)集重新聚類(lèi)；加深了卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使用混合數(shù)據(jù)集，對(duì)行人的特征提取更加充分，對(duì)不同尺寸的行人以及部分遮擋的行人有更好的檢測(cè)效果。

4 結(jié)論

本文以Tiny?YOLO網(wǎng)絡(luò)為基礎(chǔ)，通過(guò)改變網(wǎng)絡(luò)輸入尺寸、維度聚類(lèi)分析、改進(jìn)特征提取網(wǎng)絡(luò)的方法，提出了一種改進(jìn)的Ped?YOLO的行人檢測(cè)網(wǎng)絡(luò)。

1)與傳統(tǒng)算法和Tiny?YOLO相比，Ped?YOLO網(wǎng)絡(luò)具有更低的漏檢率，Ped?YOLO網(wǎng)絡(luò)在保持了較高的檢測(cè)速度的同時(shí)，對(duì)不同尺寸、存在互相遮擋的行人有更好的檢測(cè)效果。

2)本文提出的網(wǎng)絡(luò)仍然存在一些問(wèn)題，如訓(xùn)練受限于PASCAL VOC與INRIA數(shù)據(jù)集，行人訓(xùn)練樣本偏少，對(duì)小目標(biāo)行人檢測(cè)效果偏差，行人被較大范圍遮擋時(shí)，模型的檢測(cè)效果也不強(qiáng)。因此，可以通過(guò)融合多類(lèi)行人檢測(cè)數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，改善網(wǎng)絡(luò)對(duì)不同尺寸、不同環(huán)境下行人的檢測(cè)效果，增強(qiáng)模型的泛化能力。

3)在行人檢測(cè)中，由于光照、遮擋等問(wèn)題的存在，漏檢率和誤檢率仍然達(dá)不到理想的水平。因此，需要提取更多的信息提升檢測(cè)效果，如光流信息、語(yǔ)義信息等，提高特征表達(dá)能力，這也將成為行人檢測(cè)的重要發(fā)展方向。