• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    Faster RCNN的交通場(chǎng)景下行人檢測(cè)方法

    2020-06-19 08:45:58徐向前孫濤
    軟件導(dǎo)刊 2020年4期
    關(guān)鍵詞:means算法卷積神經(jīng)網(wǎng)絡(luò)

    徐向前 孫濤

    摘要:為了提高行人檢測(cè)的準(zhǔn)確性和魯棒性,針對(duì)現(xiàn)有行人檢測(cè)方法準(zhǔn)確率低且實(shí)時(shí)性不佳等問題,參考目標(biāo)檢測(cè)算法中快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)Faster RCNN算法,首先采用K-means聚類算法得到合適的寬高比,然后優(yōu)化區(qū)域建議網(wǎng)絡(luò)( RPN)結(jié)構(gòu),降低計(jì)算量,并通過比較MobileNet、VGG16、ResNet50特征提取網(wǎng)絡(luò)效果優(yōu)劣,提出改進(jìn)Faster RCNN的交通場(chǎng)景下行人檢測(cè)方法,在Caltech-NEW數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明,該方法大幅提高交通場(chǎng)景下行人檢測(cè)的實(shí)時(shí)性和準(zhǔn)確性,在測(cè)試集上檢測(cè)準(zhǔn)確度達(dá)到87.5%,單張圖片檢測(cè)耗時(shí)為0.187s,相比現(xiàn)有其它方法,其檢測(cè)效果更好。

    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò);行人檢測(cè);K-means算法;區(qū)域建議網(wǎng)絡(luò)

    DOI: 10. 11907/rjdk.192692

    開放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):

    中圖分類號(hào):TP306

    文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):1672-7800( 2020)004-0067-04

    Pedestrian Detection Method in Traffic Scene Based on Faster RCNN

    XU Xiang-qian, SUN Tao

    (kSchool of Mech.an ical Engi,zeering ,Univer.sity of Sh.angh.aifor Science and Tech.nology,Sharzgh.ai 200093,China )Abstract : In order to iiuprove the accuracy and robustness of pedestrian detection , aiming at the problems of' low accu racy and poor re-al-time perforruance of existing pedestrian detection methods. fast neural network of fast region convolution in target detection algo-rithm is ref'erred. Firstly, K-means algorithru is used to obtain the appropriate aspect ratio. then the structure of region proposal net-work ( RPN) is improved to reduce the amount of calculations. By conlparing the performance of MobileNet. VGG16. and ResNet50feature extraction networks. an improved detection method of traffic scene based on Faster RCNN is proposed. and the improved algo-rithm is trained and tested on the Caltech-NEW dataset. The experimenfal results shouw that the method greatly improves the real-timeand accuracy of detection in traffic scenes. The mAP (mean Average Precision) on the test set is 87.5% . and the detection speed of asingle picture is 0.187 seconds. Compared with other methods.this method is better.Key Words : convolutional neural network ; pedestrian detection ; K-means algorithm ; RPN

    O 引言

    交通場(chǎng)景下行人檢測(cè)是指在交通場(chǎng)景下,判斷圖像或者視頻序列中是否包含行人目標(biāo)并準(zhǔn)確判斷出行人位置。行人檢測(cè)是目標(biāo)檢測(cè)中非常重要的課題,基于卷積神經(jīng)網(wǎng)絡(luò)的行人目標(biāo)檢測(cè)方法是國(guó)內(nèi)外學(xué)者的研究熱點(diǎn),行人檢測(cè)算法在高級(jí)駕駛輔助系統(tǒng)(ADAS)、智能駕駛系統(tǒng)、智能機(jī)器人、行人數(shù)據(jù)分析等領(lǐng)域有著重要應(yīng)用“。

    傳統(tǒng)的目標(biāo)檢測(cè)方法將SIFT[2](Scale-Invariant Fea-ture Transform)、HOG[3](histogram of oriented gradient)等傳統(tǒng)人工提取的特征算子傳人SVM[4]。(Support Vector Ma-chine)、AdaBoost等分類器進(jìn)行分類并完成目標(biāo)檢測(cè)。在現(xiàn)實(shí)生活中,人類是一個(gè)剛性和柔性相結(jié)合的物體,在受到光照、姿態(tài)、尺寸等因素v影響時(shí),傳統(tǒng)人工提取的特征算子往往不能滿足行人檢測(cè)要求,存在泛化能力弱、準(zhǔn)確度低等缺點(diǎn)[5]。

    近年來,以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法在圖片分類、目標(biāo)檢測(cè)等領(lǐng)域取得了巨大成功?;诰矸e神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)目標(biāo)檢測(cè)方法相比于人工設(shè)計(jì)特征算子的傳統(tǒng)方法,其能夠自主學(xué)習(xí)圖片不同層級(jí)的不同特征,提取圖片中更加豐富、更加抽象的特征[6]。目前,深度學(xué)習(xí)算法中最有代表性的算法有RCNN[7]、Fast RCNN.sJ、FasterRCNN[9]。、YOLO[10]等。在這些算法中,整體可以歸為兩類,第一類是以R-CNN為代表的卷積神經(jīng)網(wǎng)絡(luò),其采用兩步式( Two-Stage)[11].首先會(huì)找出圖片中目標(biāo)可能出現(xiàn)的位置,即區(qū)域提議(Region Proposal),然后利用特征層提取的特征信息對(duì)目標(biāo)作分類,這類檢測(cè)器的優(yōu)點(diǎn)是檢測(cè)準(zhǔn)確率高,問題是無法達(dá)到實(shí)時(shí)性要求;第二類是以YOLO為代表的卷積神經(jīng)網(wǎng)絡(luò),采用端到端(End-to-End)的方式[12],將目標(biāo)檢測(cè)任務(wù)轉(zhuǎn)化為回歸問題,這類檢測(cè)器的實(shí)時(shí)性顯著提高,但是準(zhǔn)確率不如Faster RCNN等兩步式檢測(cè)器[13]。

    本文基于Faster RCNN目標(biāo)檢測(cè)算法,使用K-means聚類算法得出適合交通場(chǎng)景下的行人錨框?qū)捀弑?,?yōu)化區(qū)域提議網(wǎng)絡(luò)RPN),然后將MobileNet[14]、VGG16[15]、ResNet50分別作為特征提取網(wǎng)絡(luò),對(duì)比3種特征提取網(wǎng)絡(luò)對(duì)行人檢測(cè)模型準(zhǔn)確率的影響。在此基礎(chǔ)上,提出改進(jìn)的Faster RCNN的交通場(chǎng)景下行人檢測(cè)方法,并研究對(duì)比不同模型在不同行人數(shù)據(jù)集上的行人檢測(cè)能力。

    1 基于Faster RCNN的行人檢測(cè)方法

    Faster RCNN目標(biāo)檢測(cè)算法流程如圖1所示。整個(gè)過程分為輸入原始圖像、通過特征提取網(wǎng)絡(luò)提取特征,利用區(qū)域建議網(wǎng)絡(luò)生成初步候選區(qū)域、利用檢測(cè)網(wǎng)絡(luò)進(jìn)行行人分類和回歸計(jì)算得到行人位置框等過程[16]。

    Faster RCNN為了得到初步候選區(qū)域,運(yùn)用區(qū)域建議網(wǎng)絡(luò)自動(dòng)生成候選區(qū)域,將特征網(wǎng)絡(luò)提取的特征圖作為區(qū)域建議網(wǎng)絡(luò)的輸入,區(qū)域建議網(wǎng)絡(luò)將輸出初步的目標(biāo)候選矩形框。為了生成候選區(qū)域,在特征網(wǎng)絡(luò)提取的特征圖上使用一個(gè)nXn的滑動(dòng)窗口(卷積核)以一定的步長(zhǎng)滑動(dòng)。區(qū)域建議網(wǎng)絡(luò)是一個(gè)全卷積網(wǎng)絡(luò),由分類和窗口回歸兩部分組成,在分類層輸出2xh個(gè)得分,主要用于判斷候選區(qū)域中的目標(biāo)所屬類別(行人或者背景)。候選區(qū)域與真實(shí)值( ground truth)重疊部分面積超過閾值0.7,則被判定為存在行人目標(biāo),此時(shí)被判定為背景,其余忽略不計(jì)。在回歸層會(huì)根據(jù)輸入的候選區(qū)域得到4xk個(gè)坐標(biāo)位置,用于微調(diào)候選框。

    Faster RCNN引入錨框機(jī)制(Anchors),F(xiàn)aster RCNN的錨框具有不同的尺度和比例,3種尺度大小分別為128、256、512以及3種寬高比分別為1:1、1:2、2:1。

    2 改進(jìn)的行人檢測(cè)方法

    2.1 區(qū)域建議網(wǎng)絡(luò)(RPN)改進(jìn)

    Faster RCNN網(wǎng)絡(luò)能夠白動(dòng)提取訓(xùn)練集樣本的特征信息,對(duì)位移、尺度等具有一定的不變性,在檢測(cè)目標(biāo)時(shí)有較好的檢測(cè)精度和較快的檢測(cè)速度[17]。但Faster RCNN網(wǎng)絡(luò)在檢測(cè)行人目標(biāo)時(shí)存在眾多影響網(wǎng)絡(luò)檢測(cè)實(shí)時(shí)性和識(shí)別準(zhǔn)確率的因素,F(xiàn)aster RCNN網(wǎng)絡(luò)并不能完全滿足交通場(chǎng)景下行人檢測(cè)任務(wù)實(shí)時(shí)性和準(zhǔn)確率的要求[18]。其存在如下缺點(diǎn):①交通場(chǎng)景下,行人檢測(cè)需要較高的實(shí)時(shí)性,F(xiàn)ast-er RCNN檢測(cè)行人目標(biāo)的實(shí)時(shí)性不足;②Faster RCNN檢測(cè)行人目標(biāo)的檢測(cè)精度較差。本文利用K-means算法計(jì)算出合適的錨框?qū)捀弑?,?yōu)化區(qū)域建議網(wǎng)絡(luò)結(jié)構(gòu),提高準(zhǔn)確率與實(shí)時(shí)性。建立Caltech-NEW行人數(shù)據(jù)集用于訓(xùn)練模型,提高模型準(zhǔn)確率和泛化能力。

    區(qū)域建議網(wǎng)絡(luò)的錨框參數(shù)設(shè)置忽略了行人目標(biāo)的特殊性。在絕大多數(shù)交通場(chǎng)景下,行人目標(biāo)都是高度大于寬度,因此設(shè)置不同寬高比的錨框?qū)煌▓?chǎng)景下的行人目標(biāo)而言是一種干擾,錨框?qū)捀弑葢?yīng)該根據(jù)實(shí)際情況確定。

    2.2錨框聚類分析

    通過K-means聚類算法統(tǒng)計(jì)Caltech-NEW行人數(shù)據(jù)集中全部行人目標(biāo)位置框的真實(shí)值(Ground Truth)。將行人目標(biāo)框真實(shí)值的寬高比作為樣本i,聚類目標(biāo)是找到每個(gè)樣本潛在的類別v,并將同類v的樣本i放在一起。算法具體步驟如下:

    Stepl:隨機(jī)選取k=2、3,聚類中心點(diǎn)為:

    Step2:對(duì)于每一個(gè)樣本i,計(jì)算其歷屬類別:

    Step3:對(duì)于每一個(gè)類i,計(jì)算該類的中心:

    Step4:重復(fù)以上過程直到收斂。

    K-means聚類算法隨機(jī)計(jì)算K個(gè)類中心作為起始點(diǎn)。如圖2所示,聚類算法會(huì)將寬高比樣本i分配到離其最近的類中心,根據(jù)收斂結(jié)果移類中心,重復(fù)直至類中心不再改變或者達(dá)到限定迭代次數(shù)。

    如圖3所示,聚類分析得出交通場(chǎng)景下行人目標(biāo)寬高比為w - 0.4lh,本文將原Faster RCNN算法中區(qū)域建議網(wǎng)絡(luò)錨框的寬高比修改為(0.41:1),修改之后的每個(gè)位置就有3個(gè)Anchor,分類層輸出6個(gè)節(jié)點(diǎn),回歸層輸出12個(gè)節(jié)點(diǎn)。

    3 實(shí)驗(yàn)分析

    3.1實(shí)驗(yàn)平臺(tái)

    本文實(shí)驗(yàn)以上海理工大學(xué)智能車為平臺(tái),使用單目攝像頭在陰天、雨天、夜晚等多種天氣和環(huán)境下采集行人數(shù)據(jù)。

    3.2 實(shí)驗(yàn)數(shù)據(jù)集

    實(shí)驗(yàn)使用的數(shù)據(jù)集由兩個(gè)部分組成:①加州理T學(xué)院的Caltech Pedestrian Dataset公共數(shù)據(jù)集。[19];②上海理工大學(xué)智能車平臺(tái)采集的真實(shí)交通場(chǎng)景行人數(shù)據(jù)集。

    本次實(shí)驗(yàn)所用的數(shù)據(jù)集命名為Caltech-NEW數(shù)據(jù)集,數(shù)據(jù)集共包含約16000張圖片。為了提高泛化能力,在Caltech數(shù)據(jù)集的基礎(chǔ)上加入上海市區(qū)以及校園內(nèi)采集的大量符合汽車行車視角的行人圖片,分別包含:晴天、雨天、陰天、雪天、夜晚。圖片尺寸為640x480,數(shù)據(jù)集圖像示例如圖4所示。

    3.3 實(shí)驗(yàn)評(píng)價(jià)方法

    本文引進(jìn)準(zhǔn)確率和召回率以更好地評(píng)價(jià)模型,如式(3)、式(4)所示。

    準(zhǔn)確率=

    召回率=

    式中,TP代表正確地檢測(cè)出了行人,F(xiàn)P代表將其它目標(biāo)當(dāng)作行人,F(xiàn)N代表將行人當(dāng)作其它目標(biāo),TN代表沒有檢測(cè)出行人目標(biāo)。

    假設(shè)Ⅳ個(gè)樣本,其中M個(gè)正例,可以得到M個(gè)召回率: ,對(duì)于每個(gè)召回率r,其最大準(zhǔn)確率如式(5)所示。

    (Average Precision)[20]用以衡量模型在每個(gè)類別上的好壞,衡量模型在所有類別上檢測(cè)性能的高低,計(jì)算如式(6)所示。

    由于本文只對(duì)行人目標(biāo)這一個(gè)類別進(jìn)行檢測(cè),因此m.AP和AP的值相等。

    3.4訓(xùn)練過程

    本次實(shí)驗(yàn)硬件配置是Inter Core i7處理器,內(nèi)存8GB,GPU為英偉達(dá)Quadro P4000。采用的編程環(huán)境是Pvthon,基于深度學(xué)習(xí)框架Tensorflow,網(wǎng)絡(luò)架構(gòu)分別以MobileNet、VGG16、ResNet50為基礎(chǔ),最大迭代次數(shù)為70000次,學(xué)習(xí)率為0.001,權(quán)值衰減值設(shè)置為0.0005,訓(xùn)練30000輪之后開始衰減學(xué)習(xí)率,動(dòng)量值設(shè)置為0.9。將Caltech-NEW行人數(shù)據(jù)集的80%作為訓(xùn)練集,20%作為測(cè)試集,通過迭代訓(xùn)練調(diào)優(yōu),得到最佳網(wǎng)絡(luò)模型。

    4 實(shí)驗(yàn)結(jié)果分析

    錨框是區(qū)域建議網(wǎng)絡(luò)的核心,原Faster RCNN算法由于目標(biāo)大小和寬高比不一致,需要多個(gè)尺度的錨框組合,但在本文算法中并不需要如此。本文采用對(duì)數(shù)據(jù)集目標(biāo)框進(jìn)行聚類分析得到更加適合行人目標(biāo)檢測(cè)的錨框個(gè)數(shù)和寬高比,使得錨框數(shù)量變得較少,縮短了計(jì)算時(shí)間,加快了檢測(cè)速度。為了比較RPN網(wǎng)絡(luò)調(diào)整Anchor寬高比對(duì)訓(xùn)練結(jié)果的影響,在PASCAL VOC2007數(shù)據(jù)集上訓(xùn)練評(píng)估Faster RCNN算法和本文算法,分別訓(xùn)練30000輪。如表1所示,本文改進(jìn)算法檢測(cè)率優(yōu)于原Faster RCNN算法,準(zhǔn)確率提高了4.1%。實(shí)驗(yàn)結(jié)果表明,本文提出的改進(jìn)算法對(duì)于行人檢測(cè)具有有效性,并提高了準(zhǔn)確率。

    表2為在Caltech-NEW交通場(chǎng)景數(shù)據(jù)集測(cè)試集上的單張圖片檢測(cè)耗時(shí)結(jié)果??梢钥闯?,本文算法在改進(jìn)Fast-er RCNN后,檢測(cè)所用時(shí)間優(yōu)于未改變的Faster RCNN檢測(cè)算法。使用改進(jìn)的RPN使得初步矩形目標(biāo)候選區(qū)域減少,這是一種簡(jiǎn)單有效的解決方案,使用了GPU加速,減少了訓(xùn)練時(shí)間。實(shí)驗(yàn)結(jié)果表明,本文算法有效提高了行人檢測(cè)的實(shí)時(shí)性。

    為了對(duì)比不同特征提取網(wǎng)絡(luò)對(duì)算法準(zhǔn)確率的影響,分別采用MobileNet、ResNet50、VGG16特征提取網(wǎng)絡(luò)與本文改進(jìn)算法相結(jié)合,在Caltech-NEW行人數(shù)據(jù)集上分別訓(xùn)練行人目標(biāo)檢測(cè)模型。如表3所示,在0- 30000輪迭代次數(shù),本文算法訓(xùn)練得出的檢測(cè)模型隨著迭代次數(shù)的增加,mAP值快速提升并趨于穩(wěn)定;在迭代次數(shù)為30000輪時(shí),準(zhǔn)確率達(dá)到0.85左右,之后隨著迭代次數(shù)的增加,準(zhǔn)確率略有波動(dòng),但總體上保持不變。這表明本文算法所得出的3種模型在迭代30 000次時(shí)其檢測(cè)性能基本都達(dá)到了較好水平。繼續(xù)訓(xùn)練達(dá)到70 000輪迭代后,各特征提取網(wǎng)絡(luò)都出現(xiàn)不同程度的準(zhǔn)確率下降。綜上所述,采用VGG16、ResNet50為特征提取網(wǎng)絡(luò)時(shí),本文算法得出的檢測(cè)模型效果較佳,當(dāng)?shù)螖?shù)超過30 000輪時(shí),采用MoblieNet為特征提取網(wǎng)絡(luò)效果最好。

    本文算法得出的檢測(cè)模型Loss曲線隨著訓(xùn)練迭代次數(shù)的增加,檢測(cè)模型性能基本保持不變,在超過70000迭代次數(shù)之后,模型沒有出現(xiàn)過擬合現(xiàn)象。

    由圖5可知,本文的算法在召回率小于0.8時(shí),模型準(zhǔn)確率處于0.95左右。在Caltech-NEW數(shù)據(jù)集測(cè)試集上mAP值為0.860,相較于原Faster RCNN算法在行人目標(biāo)的準(zhǔn)確率0.702,采用改進(jìn)后的Faster RCNN算法準(zhǔn)確率大幅提高。

    在不同的交通環(huán)境場(chǎng)景下,采用本文算法在Caltech-NEW數(shù)據(jù)集測(cè)試集中的部分檢測(cè)結(jié)果如圖6所示。

    5 結(jié)語(yǔ)

    隨著智能駕駛的不斷發(fā)展,保障行人安全一直是智能駕駛研究人員的共同目標(biāo),行人目標(biāo)相較于交通場(chǎng)景下其它目標(biāo)顯得尤為重要。針對(duì)已有的目標(biāo)檢測(cè)算法在行人檢測(cè)中檢測(cè)準(zhǔn)確率不佳、檢測(cè)速度較慢、區(qū)域建議網(wǎng)絡(luò)錨框設(shè)置不合理等缺點(diǎn),以Faster RCNN為基礎(chǔ),提出了交通場(chǎng)景下改進(jìn)的行人檢測(cè)算法,根據(jù)行人目標(biāo)在圖像中呈現(xiàn)寬高比相對(duì)固定的規(guī)律,通過K-means聚類算法優(yōu)化RPN區(qū)域建議網(wǎng)絡(luò),設(shè)置合理的anchor數(shù)量和寬高比,綜合比較3種不同特征提取網(wǎng)絡(luò)對(duì)算法準(zhǔn)確率的影響,白建Caltech-NEW數(shù)據(jù)集,提高模型在交通場(chǎng)景下檢測(cè)行人目標(biāo)的泛化能力。通過實(shí)驗(yàn)驗(yàn)證,本算法準(zhǔn)確率和實(shí)時(shí)性都較高,證明Anchor框?qū)λ惴?zhǔn)確率有一定的積極影響。

    [1]許言午。曹先杉,喬紅,行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望[j],電子學(xué)報(bào),2008.36(5):368-376.

    [2]BAY H , ESS A, TLTYELAARS T. et al.Speeded-up rohust features(SURF) [J]. Computer Vision and Image Lnderstanding, 2008, 110(3): 346-359.

    [3]DALAL N,TRIGGS B. Histograms of oriented gradients for human de-tection[C]. 2005 IEEE Computer Society Conference on Computer Vi-sion and Pattern Recognition , 2005 : 886-893.

    [4]]VIOLA P. JPNES M.Robust real-time object detectinn[j]. Interna-tional Journal of Computer Vision.2001,4 : 34-47.測(cè)研究綜述[J]. 動(dòng)化學(xué)報(bào). 2007 33(I) : 84 -90 .

    [6]CERONIMO D, LOPEZ A. SAPPA A, et al.Survey of pedestrian de-tection for ad.anc.ed driver assistance systems [J]. IEEE Trans . onPattern Analysis and Machine Intelligence , 2010 , 32(7) : 1239-1258.

    [7GIRSHICK R . DONAHUE J. DARRELL T. et al. Rich feature hierar-chies for accurate object detection and semantic segmentation[c].Pro-ceeding of the IEEE Conference on Computer Vision and Pattern Rec- ognition, 2014 : 580-587.

    [8]GIRSHICK R. Fast R-CNW[c]. Santiago:2015 lEEE InternationalConference on Computer Vision,2015.

    [9]REW S, HE K. CIRSHICK R. et al. Faster R-CNN : towards real-timeohject detection with region proposal networks [j].IEEE Transactionson Pattern Analysis &- Machine Intelligenc.e , 2017 , 39(6) : 1137-1 149

    [10]REDMON J, DIVVALA S, GIRSHICK R, et al.You onlv look once :unified , real-time obj ect detection[c] . Prriceedings of the IEEE Con-ference on Computer Vision and Pattern Recognition, 2016 : 779-788.

    [11]杜友田 ,陳峰 ,徐文立,等 .基于視覺的的運(yùn)動(dòng)別綜述 .電子學(xué)報(bào) , 2007, 35(1): 84-90.

    [12]蘇松志 .行人檢測(cè)若干關(guān)鍵技術(shù)術(shù)研究 [D].廈門:廈門大學(xué) , 2011.

    [13]REILLY V , SOLMAZ B.SHAH M. Geometric constraints for humandetection in aerial imagery [C]. The llth European conferenc:e onComputer ,'ision, 2010 : 252-265.

    [14]HOWARD A C. ZHU M . CHEN B , et al. Mobilenets efficient convn-lutional neural networks for mohile vision applications[DB/OL] . arX-iv preprint arXir : 1704.04861.2017.

    [15]SIMONYAhr K, ZISSERMAN A.Very deep convr)lutional networksfor large-scale image recongnition[R].Computer Research Reposito-rv.2014.

    [16]DOLLAR P, BELOhrCIE S.PERONrA P.The fastest pedestrian detec-tor in the west [C]. Proceedings on British Machine Vision Cnnfer-ence(BMVC 2010) .2010: 1-11.

    [17]WOJEK C , B.SCHIELE. A performance evaluatinn of single andmulti -feature people detection [C] . Annual Symposium of theDeutsche-Arheitsgemeinschaft-fu r-Mustererkennung , 2008 : 82-91 .

    [18]OJALA T, PIETIKAINEN M . HARWOOD D.A comparative study oftexture measures with classification based ON feature distributions[J]. Pattern Recognition , 1996, 19(3) : 51-59.

    [19]DOLLAR P, WOJEK C . SCHIELE B . et al. Pedestrian detection : anevaluatir)n of the state of the art [J]. IEEE Transactions on PatternAnalysis and Machine Intelligence , 2012 , 34(4) : 743-761.

    [20]HENDERSON P. FERRARI V. End-to-end training of ohject classdetectors for mean average precision[J]. Asian Conference on Com-puter Vision, 2016 ( 6) : 198-213.

    收稿日期:2019-12-02

    作者簡(jiǎn)介:徐向前(1995-),男,上海理工大學(xué)機(jī)械工程學(xué)院碩士研究生,研究方向?yàn)槠囅到y(tǒng)動(dòng)力學(xué);孫濤(1974-),男,博士,上海理

    工大學(xué)機(jī)械工程學(xué)院副教授、碩士生導(dǎo)師,研究方向?yàn)槠囅到y(tǒng)動(dòng)力學(xué)。本文通訊作者:徐向前。

    猜你喜歡
    means算法卷積神經(jīng)網(wǎng)絡(luò)
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    SIFT算法在木材紋理分類上的應(yīng)用
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于K—Means聚類算法入侵檢測(cè)系統(tǒng)研究
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
    基于Weka的Apriori算法在原油產(chǎn)量預(yù)測(cè)中的應(yīng)用
    基于HSI顏色空間的小麥粉精度自動(dòng)識(shí)別研究
    基于聚類的Web日志挖掘
    麻豆乱淫一区二区| 丝袜美腿在线中文| 日本-黄色视频高清免费观看| 国产乱人偷精品视频| 亚洲国产色片| 少妇猛男粗大的猛烈进出视频 | 嫩草影院精品99| 91aial.com中文字幕在线观看| 日本-黄色视频高清免费观看| 看免费成人av毛片| 晚上一个人看的免费电影| 桃色一区二区三区在线观看| 日本欧美国产在线视频| 亚洲aⅴ乱码一区二区在线播放| 男女边吃奶边做爰视频| 亚洲乱码一区二区免费版| 日韩,欧美,国产一区二区三区 | 免费播放大片免费观看视频在线观看 | 国产麻豆成人av免费视频| 精品人妻熟女av久视频| 中国国产av一级| 色哟哟·www| 国产三级在线视频| 黄色日韩在线| 亚洲性久久影院| 中文字幕人妻熟人妻熟丝袜美| 国产视频内射| 免费观看的影片在线观看| 久久综合国产亚洲精品| 亚洲国产精品专区欧美| 亚洲av中文av极速乱| 亚洲国产高清在线一区二区三| 插逼视频在线观看| 黄色配什么色好看| 欧美97在线视频| 亚洲三级黄色毛片| 韩国高清视频一区二区三区| 一级毛片久久久久久久久女| 3wmmmm亚洲av在线观看| 男人舔奶头视频| 精品国内亚洲2022精品成人| 亚洲欧美中文字幕日韩二区| 成人午夜高清在线视频| 国产亚洲午夜精品一区二区久久 | 国产亚洲午夜精品一区二区久久 | 美女内射精品一级片tv| 爱豆传媒免费全集在线观看| 91午夜精品亚洲一区二区三区| 欧美+日韩+精品| 日本一本二区三区精品| 亚洲国产精品成人久久小说| 少妇的逼好多水| 亚洲中文字幕一区二区三区有码在线看| 久久久久久久国产电影| 日韩三级伦理在线观看| 久久99蜜桃精品久久| 自拍偷自拍亚洲精品老妇| 搞女人的毛片| 99久久成人亚洲精品观看| 免费黄色在线免费观看| 大香蕉97超碰在线| 日韩强制内射视频| 日韩三级伦理在线观看| 日日啪夜夜撸| 高清午夜精品一区二区三区| 一个人看视频在线观看www免费| 国产在线一区二区三区精 | 毛片一级片免费看久久久久| 国产一区二区亚洲精品在线观看| 国产午夜精品久久久久久一区二区三区| 国产免费一级a男人的天堂| 国产欧美日韩精品一区二区| 成人亚洲精品av一区二区| 青青草视频在线视频观看| 国产欧美另类精品又又久久亚洲欧美| 日产精品乱码卡一卡2卡三| 亚洲电影在线观看av| 国产午夜精品论理片| 少妇的逼水好多| 成人鲁丝片一二三区免费| 日韩高清综合在线| 免费观看人在逋| 国产亚洲91精品色在线| 亚洲av成人精品一二三区| 午夜福利在线观看免费完整高清在| 国产亚洲精品av在线| 国产 一区 欧美 日韩| 色尼玛亚洲综合影院| 在线免费十八禁| 能在线免费看毛片的网站| 亚洲最大成人av| 久久精品综合一区二区三区| 亚洲av成人精品一二三区| 2021天堂中文幕一二区在线观| 看十八女毛片水多多多| 国产色爽女视频免费观看| 又爽又黄a免费视频| 少妇熟女欧美另类| 狂野欧美白嫩少妇大欣赏| 欧美一区二区亚洲| 精华霜和精华液先用哪个| ponron亚洲| 伦理电影大哥的女人| 欧美潮喷喷水| 午夜福利成人在线免费观看| 99热这里只有是精品在线观看| 91精品伊人久久大香线蕉| 熟妇人妻久久中文字幕3abv| 一级毛片久久久久久久久女| 亚洲自偷自拍三级| 男人舔女人下体高潮全视频| 我的老师免费观看完整版| 伦理电影大哥的女人| 蜜桃久久精品国产亚洲av| 亚洲av电影不卡..在线观看| 国产精品国产三级国产专区5o | 亚洲人成网站在线播| 又爽又黄无遮挡网站| 熟女人妻精品中文字幕| 国模一区二区三区四区视频| 午夜精品在线福利| 乱人视频在线观看| 精品久久久久久久久av| 精品午夜福利在线看| 中文欧美无线码| 欧美一区二区精品小视频在线| 99久久九九国产精品国产免费| 国产白丝娇喘喷水9色精品| 成人美女网站在线观看视频| 老司机福利观看| 国产亚洲一区二区精品| 午夜爱爱视频在线播放| 丰满少妇做爰视频| 我要搜黄色片| 丰满乱子伦码专区| 欧美一区二区国产精品久久精品| av又黄又爽大尺度在线免费看 | 日韩制服骚丝袜av| 中文欧美无线码| 观看免费一级毛片| 极品教师在线视频| 亚洲不卡免费看| 欧美3d第一页| 久久精品夜色国产| 国产一级毛片在线| 中文字幕免费在线视频6| 男人狂女人下面高潮的视频| 啦啦啦啦在线视频资源| 久久精品国产亚洲网站| 特大巨黑吊av在线直播| 久久精品夜色国产| 国产成人aa在线观看| 免费看av在线观看网站| 麻豆乱淫一区二区| 亚洲国产色片| 免费黄色在线免费观看| 成人av在线播放网站| 国产精华一区二区三区| 99久国产av精品国产电影| 观看美女的网站| 91久久精品国产一区二区成人| 天美传媒精品一区二区| 久久99热这里只频精品6学生 | 偷拍熟女少妇极品色| 青春草亚洲视频在线观看| 综合色丁香网| 99国产精品一区二区蜜桃av| 国产精品久久视频播放| 两个人视频免费观看高清| 国产免费视频播放在线视频 | 国产不卡一卡二| 久久99热这里只有精品18| 国产伦精品一区二区三区视频9| 五月伊人婷婷丁香| 亚洲怡红院男人天堂| 国内揄拍国产精品人妻在线| 免费不卡的大黄色大毛片视频在线观看 | 能在线免费看毛片的网站| videossex国产| 国产在视频线精品| 亚洲一区高清亚洲精品| 一级爰片在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 只有这里有精品99| 久久久久精品久久久久真实原创| 精品久久久久久久久av| 国产高清有码在线观看视频| 非洲黑人性xxxx精品又粗又长| 欧美成人免费av一区二区三区| 乱码一卡2卡4卡精品| 天堂网av新在线| 啦啦啦韩国在线观看视频| 伊人久久精品亚洲午夜| 老司机影院毛片| 3wmmmm亚洲av在线观看| 我要搜黄色片| 亚洲精品国产av成人精品| 老司机福利观看| 亚洲成色77777| 日韩一本色道免费dvd| 久久精品久久久久久噜噜老黄 | 能在线免费看毛片的网站| 插阴视频在线观看视频| 国产成人a∨麻豆精品| 亚洲aⅴ乱码一区二区在线播放| 国产亚洲精品久久久com| 中文乱码字字幕精品一区二区三区 | 亚洲av二区三区四区| 熟女电影av网| 亚洲精品久久久久久婷婷小说 | 村上凉子中文字幕在线| 亚洲激情五月婷婷啪啪| 中文欧美无线码| 国产精品人妻久久久影院| 一夜夜www| 亚洲综合精品二区| 热99re8久久精品国产| 国产综合懂色| 精品少妇黑人巨大在线播放 | 3wmmmm亚洲av在线观看| 亚洲欧美日韩无卡精品| 亚洲自偷自拍三级| 日韩成人av中文字幕在线观看| 毛片女人毛片| 嘟嘟电影网在线观看| 联通29元200g的流量卡| 波多野结衣巨乳人妻| 亚洲成av人片在线播放无| 白带黄色成豆腐渣| 国产免费福利视频在线观看| 国产av在哪里看| 男女下面进入的视频免费午夜| 亚洲精品色激情综合| 国产高清有码在线观看视频| 2021少妇久久久久久久久久久| 国产精品美女特级片免费视频播放器| 如何舔出高潮| 老女人水多毛片| 看免费成人av毛片| av播播在线观看一区| 国产精品福利在线免费观看| 国产不卡一卡二| 久久久久久国产a免费观看| 久久韩国三级中文字幕| 禁无遮挡网站| 亚洲欧美日韩高清专用| 极品教师在线视频| 波多野结衣巨乳人妻| 人人妻人人看人人澡| 国产精品一区二区三区四区免费观看| 两个人的视频大全免费| 久久精品国产自在天天线| 免费av毛片视频| 亚洲国产欧美在线一区| 亚洲国产欧美在线一区| 成人午夜高清在线视频| 国语对白做爰xxxⅹ性视频网站| 麻豆成人午夜福利视频| 国产av一区在线观看免费| 中文字幕久久专区| 日韩欧美在线乱码| 国产老妇女一区| 亚洲av中文av极速乱| 亚洲av电影不卡..在线观看| 欧美色视频一区免费| 1024手机看黄色片| 非洲黑人性xxxx精品又粗又长| 成人一区二区视频在线观看| 一级黄色大片毛片| 亚洲精品乱久久久久久| 青青草视频在线视频观看| 午夜爱爱视频在线播放| 中文字幕亚洲精品专区| 免费人成在线观看视频色| 亚洲最大成人中文| 国产爱豆传媒在线观看| 免费av毛片视频| 天美传媒精品一区二区| 国产精品国产三级国产专区5o | 一级毛片aaaaaa免费看小| 国内精品美女久久久久久| 少妇丰满av| 青春草亚洲视频在线观看| 久久国内精品自在自线图片| 久久人人爽人人片av| 国产高清三级在线| 精品国产一区二区三区久久久樱花 | 日韩欧美三级三区| 如何舔出高潮| 十八禁国产超污无遮挡网站| 国语自产精品视频在线第100页| 午夜福利在线在线| 久久人人爽人人爽人人片va| 午夜福利视频1000在线观看| 久久精品国产鲁丝片午夜精品| 天天一区二区日本电影三级| 日产精品乱码卡一卡2卡三| 久久久久久久久久黄片| 美女xxoo啪啪120秒动态图| 超碰97精品在线观看| 欧美变态另类bdsm刘玥| 在线天堂最新版资源| 亚洲乱码一区二区免费版| 国产精品三级大全| 亚洲五月天丁香| 国产乱来视频区| 一级毛片aaaaaa免费看小| 寂寞人妻少妇视频99o| 日韩精品有码人妻一区| 日韩成人av中文字幕在线观看| 一夜夜www| 男插女下体视频免费在线播放| 国产亚洲av片在线观看秒播厂 | 色吧在线观看| 日韩成人av中文字幕在线观看| 亚洲欧美一区二区三区国产| 精品久久久久久久久久久久久| 99视频精品全部免费 在线| 亚洲欧美成人综合另类久久久 | 超碰97精品在线观看| kizo精华| 精品人妻偷拍中文字幕| 九色成人免费人妻av| 日韩高清综合在线| 老司机福利观看| 国产午夜精品论理片| 91av网一区二区| 99在线人妻在线中文字幕| 亚洲五月天丁香| 蜜桃亚洲精品一区二区三区| 精品久久久久久久人妻蜜臀av| 亚洲欧美精品自产自拍| 亚洲欧美成人综合另类久久久 | 18禁动态无遮挡网站| 国产成人一区二区在线| 日本五十路高清| 亚洲av成人av| 能在线免费看毛片的网站| 欧美成人午夜免费资源| 一个人看视频在线观看www免费| av在线蜜桃| 国产成人福利小说| 国产成人aa在线观看| 国产色婷婷99| 国内精品美女久久久久久| 有码 亚洲区| 国产乱来视频区| 女人久久www免费人成看片 | 成人二区视频| 夫妻性生交免费视频一级片| 亚洲av.av天堂| 简卡轻食公司| 国产伦在线观看视频一区| 国产不卡一卡二| 插阴视频在线观看视频| 久久精品熟女亚洲av麻豆精品 | 亚洲无线观看免费| 在线观看一区二区三区| 国产在视频线精品| 午夜精品一区二区三区免费看| 边亲边吃奶的免费视频| 色哟哟·www| 桃色一区二区三区在线观看| 午夜精品一区二区三区免费看| 岛国毛片在线播放| 精品久久久久久电影网 | 欧美激情久久久久久爽电影| 久久精品久久久久久噜噜老黄 | 内射极品少妇av片p| 最新中文字幕久久久久| 国产亚洲精品久久久com| 亚洲最大成人中文| 五月玫瑰六月丁香| 最近的中文字幕免费完整| 麻豆一二三区av精品| 欧美日韩在线观看h| 免费大片18禁| 亚洲精品456在线播放app| 91精品一卡2卡3卡4卡| 亚洲av中文av极速乱| 亚洲婷婷狠狠爱综合网| 午夜免费男女啪啪视频观看| 草草在线视频免费看| 热99re8久久精品国产| .国产精品久久| 中文字幕熟女人妻在线| 国产又黄又爽又无遮挡在线| 国产一级毛片七仙女欲春2| 99九九线精品视频在线观看视频| 亚洲久久久久久中文字幕| 在线观看66精品国产| 五月玫瑰六月丁香| 久99久视频精品免费| 欧美+日韩+精品| 亚洲国产精品专区欧美| 91在线精品国自产拍蜜月| av线在线观看网站| 日本-黄色视频高清免费观看| 亚洲内射少妇av| a级毛色黄片| 熟妇人妻久久中文字幕3abv| 日韩精品有码人妻一区| 亚洲综合精品二区| 成人一区二区视频在线观看| 神马国产精品三级电影在线观看| 亚洲欧美精品专区久久| 亚洲高清免费不卡视频| 欧美变态另类bdsm刘玥| 久久精品夜夜夜夜夜久久蜜豆| 午夜福利在线观看吧| 国产色爽女视频免费观看| 亚洲欧美精品专区久久| 午夜老司机福利剧场| 成人综合一区亚洲| 久久99精品国语久久久| 91精品伊人久久大香线蕉| 午夜视频国产福利| 久久亚洲精品不卡| 久99久视频精品免费| 国产免费男女视频| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产色爽女视频免费观看| 欧美日韩在线观看h| 春色校园在线视频观看| 国产精品电影一区二区三区| 国产精品av视频在线免费观看| 久久精品夜色国产| 国产老妇女一区| 91久久精品国产一区二区成人| 亚洲成av人片在线播放无| 欧美日韩在线观看h| 亚洲va在线va天堂va国产| 国产精品野战在线观看| 亚洲欧美精品专区久久| 99久久无色码亚洲精品果冻| 国产综合懂色| 日韩av不卡免费在线播放| 成人午夜高清在线视频| 国产成人精品一,二区| 神马国产精品三级电影在线观看| 男女视频在线观看网站免费| 赤兔流量卡办理| 爱豆传媒免费全集在线观看| 久久亚洲精品不卡| 日韩精品青青久久久久久| 亚洲va在线va天堂va国产| 91狼人影院| 亚洲欧洲日产国产| 99久久成人亚洲精品观看| 波多野结衣高清无吗| 日日摸夜夜添夜夜爱| 国产精品麻豆人妻色哟哟久久 | 老司机影院毛片| 我要搜黄色片| av专区在线播放| 亚洲精品日韩av片在线观看| 1024手机看黄色片| 成人高潮视频无遮挡免费网站| 亚洲精品色激情综合| 超碰97精品在线观看| 精品国产一区二区三区久久久樱花 | 亚洲精品影视一区二区三区av| 大又大粗又爽又黄少妇毛片口| 亚洲成人精品中文字幕电影| 一本一本综合久久| 亚洲无线观看免费| 亚洲国产欧美在线一区| 欧美成人精品欧美一级黄| 国产精品久久久久久久电影| 舔av片在线| 精品久久久久久久久久久久久| 波多野结衣高清无吗| 午夜福利在线观看吧| 亚洲国产日韩欧美精品在线观看| 色吧在线观看| 久久99热6这里只有精品| 人体艺术视频欧美日本| 免费观看人在逋| 美女被艹到高潮喷水动态| 国产 一区精品| 人妻少妇偷人精品九色| 少妇熟女aⅴ在线视频| 爱豆传媒免费全集在线观看| 麻豆av噜噜一区二区三区| 中文亚洲av片在线观看爽| 最近中文字幕高清免费大全6| 丝袜喷水一区| 亚洲乱码一区二区免费版| 亚洲精品国产av成人精品| 国产午夜精品论理片| 久久人人爽人人爽人人片va| 亚洲美女搞黄在线观看| 天天躁夜夜躁狠狠久久av| 亚洲精品国产av成人精品| 国产精品不卡视频一区二区| 国产精品,欧美在线| 久久久久性生活片| 久久精品91蜜桃| 偷拍熟女少妇极品色| 午夜视频国产福利| 免费不卡的大黄色大毛片视频在线观看 | 特级一级黄色大片| 亚洲国产精品专区欧美| 少妇人妻精品综合一区二区| 小说图片视频综合网站| 午夜亚洲福利在线播放| 亚洲在线观看片| 草草在线视频免费看| 麻豆成人午夜福利视频| 在线观看66精品国产| 乱人视频在线观看| 久久久久久久久久久丰满| 久久99蜜桃精品久久| 国产淫片久久久久久久久| 欧美日韩综合久久久久久| 99九九线精品视频在线观看视频| 国产乱人偷精品视频| 亚洲欧美精品专区久久| 亚洲欧美日韩高清专用| 国产av码专区亚洲av| 免费看美女性在线毛片视频| 国产淫语在线视频| 七月丁香在线播放| 成人亚洲精品av一区二区| 日产精品乱码卡一卡2卡三| 国内精品宾馆在线| 一个人看的www免费观看视频| 中国国产av一级| 午夜精品一区二区三区免费看| 色吧在线观看| 亚洲精品乱码久久久v下载方式| 黄片无遮挡物在线观看| 精品99又大又爽又粗少妇毛片| 成人毛片60女人毛片免费| 亚洲国产最新在线播放| 网址你懂的国产日韩在线| 亚洲av一区综合| 国产伦精品一区二区三区四那| 日韩大片免费观看网站 | 亚洲国产精品久久男人天堂| 日本与韩国留学比较| 国产乱来视频区| 在线观看av片永久免费下载| 国语对白做爰xxxⅹ性视频网站| av天堂中文字幕网| 狠狠狠狠99中文字幕| 亚洲人成网站在线观看播放| 丰满人妻一区二区三区视频av| 亚洲欧美精品综合久久99| 国内揄拍国产精品人妻在线| 久久精品国产99精品国产亚洲性色| 只有这里有精品99| 亚洲欧美一区二区三区国产| 国产精品一区二区性色av| av女优亚洲男人天堂| 亚洲中文字幕一区二区三区有码在线看| 毛片一级片免费看久久久久| 亚洲欧美成人精品一区二区| 亚洲精品色激情综合| videos熟女内射| 亚洲欧美成人综合另类久久久 | 三级经典国产精品| 天美传媒精品一区二区| 久久亚洲国产成人精品v| 色综合站精品国产| 日韩在线高清观看一区二区三区| 欧美一区二区国产精品久久精品| 级片在线观看| 99久久中文字幕三级久久日本| 99久久人妻综合| 国产真实伦视频高清在线观看| 韩国av在线不卡| 久久热精品热| 1024手机看黄色片| 国产免费一级a男人的天堂| 99久国产av精品国产电影| 亚洲欧美精品自产自拍| 亚洲欧美清纯卡通| 国产黄片美女视频| 欧美激情在线99| 国语自产精品视频在线第100页| 狠狠狠狠99中文字幕| 亚洲最大成人中文| 嫩草影院新地址| 日日摸夜夜添夜夜添av毛片| 亚洲国产欧洲综合997久久,| 精品久久久噜噜| 最近最新中文字幕免费大全7| 成人美女网站在线观看视频| 99在线人妻在线中文字幕| 久久精品熟女亚洲av麻豆精品 | 亚洲在线观看片| 日本猛色少妇xxxxx猛交久久| a级一级毛片免费在线观看| 色综合站精品国产| 18+在线观看网站| 国产精品精品国产色婷婷| 日日摸夜夜添夜夜添av毛片| 乱人视频在线观看| 国产探花极品一区二区| 搡老妇女老女人老熟妇| 高清视频免费观看一区二区 | 国产精品国产三级国产av玫瑰| 久久人妻av系列| 国产男人的电影天堂91| 成人美女网站在线观看视频| 精品久久久久久久久av| 麻豆一二三区av精品| 亚洲精品国产成人久久av| 色5月婷婷丁香| 91在线精品国自产拍蜜月| 久久久久国产网址| 成人午夜高清在线视频| 国产高清不卡午夜福利| 一区二区三区乱码不卡18|