• <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
    日日摸夜夜添夜夜添小说| av在线app专区| 五月天丁香电影| 搡老熟女国产l中国老女人| 久久久久久久久免费视频了| 极品人妻少妇av视频| 美女大奶头黄色视频| 精品乱码久久久久久99久播| 丝袜喷水一区| 欧美 日韩 精品 国产| 亚洲五月婷婷丁香| www.av在线官网国产| av视频免费观看在线观看| 国产深夜福利视频在线观看| 男人爽女人下面视频在线观看| 午夜福利影视在线免费观看| av福利片在线| 久久精品国产亚洲av高清一级| 成人亚洲精品一区在线观看| 日本五十路高清| 在线观看免费高清a一片| 狠狠狠狠99中文字幕| 国产欧美日韩一区二区三区在线| 欧美精品啪啪一区二区三区 | 午夜福利视频精品| 国产高清videossex| 成人国产av品久久久| 国产精品国产av在线观看| 国产精品影院久久| 在线观看www视频免费| 老司机深夜福利视频在线观看 | 天堂俺去俺来也www色官网| 我要看黄色一级片免费的| 精品卡一卡二卡四卡免费| 亚洲精品久久午夜乱码| 久久午夜综合久久蜜桃| 国产精品欧美亚洲77777| 91麻豆av在线| 狂野欧美激情性xxxx| 超色免费av| 免费看十八禁软件| 亚洲黑人精品在线| 国产男女超爽视频在线观看| 人人妻人人澡人人爽人人夜夜| 91精品三级在线观看| 亚洲,欧美精品.| 80岁老熟妇乱子伦牲交| 午夜影院在线不卡| 人人妻,人人澡人人爽秒播| 在线亚洲精品国产二区图片欧美| 韩国高清视频一区二区三区| 欧美人与性动交α欧美软件| 国产亚洲精品一区二区www | 国产不卡av网站在线观看| 国产成人系列免费观看| 午夜免费成人在线视频| 另类精品久久| 午夜两性在线视频| 亚洲一区中文字幕在线| 午夜福利影视在线免费观看| 色视频在线一区二区三区| √禁漫天堂资源中文www| 一级片'在线观看视频| 各种免费的搞黄视频| 欧美日韩一级在线毛片| 汤姆久久久久久久影院中文字幕| 黄频高清免费视频| 成人亚洲精品一区在线观看| 视频区欧美日本亚洲| www.av在线官网国产| 国产精品二区激情视频| 热99久久久久精品小说推荐| 男女无遮挡免费网站观看| 无遮挡黄片免费观看| 99久久人妻综合| 国产高清视频在线播放一区 | 精品国产乱码久久久久久男人| 国产在线视频一区二区| 男女床上黄色一级片免费看| 国产免费av片在线观看野外av| 国产日韩欧美在线精品| 亚洲少妇的诱惑av| 自线自在国产av| 午夜视频精品福利| 黄色 视频免费看| 国产视频一区二区在线看| 亚洲专区国产一区二区| 国产精品免费视频内射| 老熟妇乱子伦视频在线观看 | 亚洲伊人色综图| 18禁观看日本| 美女视频免费永久观看网站| 久久久久久免费高清国产稀缺| 亚洲精品第二区| 秋霞在线观看毛片| 两个人看的免费小视频| 国产男人的电影天堂91| 日本vs欧美在线观看视频| 日本撒尿小便嘘嘘汇集6| 日韩一卡2卡3卡4卡2021年| 精品熟女少妇八av免费久了| 69精品国产乱码久久久| 麻豆国产av国片精品| 久久香蕉激情| 视频区图区小说| 最黄视频免费看| 亚洲熟女精品中文字幕| 成年人黄色毛片网站| 久久久精品国产亚洲av高清涩受| 后天国语完整版免费观看| 欧美人与性动交α欧美精品济南到| 一级片免费观看大全| 伊人亚洲综合成人网| 天天操日日干夜夜撸| 男女下面插进去视频免费观看| 亚洲国产精品一区二区三区在线| 最近最新中文字幕大全免费视频| 男女免费视频国产| 91av网站免费观看| 国产成人精品无人区| 69av精品久久久久久 | 俄罗斯特黄特色一大片| 香蕉丝袜av| 亚洲av国产av综合av卡| 后天国语完整版免费观看| 国产成人av教育| 老司机福利观看| 欧美国产精品一级二级三级| 亚洲国产精品一区三区| 看免费av毛片| 中文字幕av电影在线播放| 国产人伦9x9x在线观看| 国产一区二区三区在线臀色熟女 | www.熟女人妻精品国产| 成人国语在线视频| 亚洲精品乱久久久久久| 日韩有码中文字幕| 69av精品久久久久久 | 18禁国产床啪视频网站| 三上悠亚av全集在线观看| 国产精品国产三级国产专区5o| 精品少妇一区二区三区视频日本电影| 欧美性长视频在线观看| 99久久99久久久精品蜜桃| 日日爽夜夜爽网站| 国产精品一区二区在线不卡| 婷婷丁香在线五月| 自拍欧美九色日韩亚洲蝌蚪91| 18禁裸乳无遮挡动漫免费视频| 国产精品亚洲av一区麻豆| 自拍欧美九色日韩亚洲蝌蚪91| 免费av中文字幕在线| 多毛熟女@视频| 在线av久久热| 免费不卡黄色视频| 久久久久久亚洲精品国产蜜桃av| 国产亚洲欧美精品永久| av一本久久久久| 亚洲精品国产色婷婷电影| 啦啦啦在线免费观看视频4| 啦啦啦中文免费视频观看日本| 99久久综合免费| 9191精品国产免费久久| 又黄又粗又硬又大视频| 又黄又粗又硬又大视频| www日本在线高清视频| 9热在线视频观看99| 久久国产精品影院| 亚洲成人免费电影在线观看| 亚洲精品国产区一区二| 精品亚洲成a人片在线观看| 亚洲欧美色中文字幕在线| 宅男免费午夜| 久久久水蜜桃国产精品网| 宅男免费午夜| 亚洲久久久国产精品| 国产在线免费精品| 久久国产精品大桥未久av| 久久精品人人爽人人爽视色| 90打野战视频偷拍视频| 成年美女黄网站色视频大全免费| 精品国产乱码久久久久久男人| 久久人妻熟女aⅴ| 人人妻人人澡人人看| 欧美日韩一级在线毛片| 人人妻人人澡人人看| 最新在线观看一区二区三区| 黑人猛操日本美女一级片| 少妇猛男粗大的猛烈进出视频| 亚洲午夜精品一区,二区,三区| 建设人人有责人人尽责人人享有的| 老熟女久久久| 青春草视频在线免费观看| 一二三四社区在线视频社区8| 日韩三级视频一区二区三区| 久久久国产精品麻豆| 一级,二级,三级黄色视频| av片东京热男人的天堂| 熟女少妇亚洲综合色aaa.| www.精华液| 黄色毛片三级朝国网站| 9热在线视频观看99| 成人国产一区最新在线观看| 午夜影院在线不卡| 人人妻人人爽人人添夜夜欢视频| 日本黄色日本黄色录像| 丝袜美腿诱惑在线| 国产男女超爽视频在线观看| 亚洲va日本ⅴa欧美va伊人久久 | 国产免费福利视频在线观看| 国产精品二区激情视频| 美女午夜性视频免费| 午夜影院在线不卡| av在线老鸭窝| 国产欧美日韩一区二区三区在线| 亚洲精品国产av成人精品| 久久人人爽av亚洲精品天堂| 国产精品免费大片| 国产97色在线日韩免费| 最新的欧美精品一区二区| 久久人妻福利社区极品人妻图片| 国产主播在线观看一区二区| 免费少妇av软件| 亚洲成人手机| 欧美另类一区| 夫妻午夜视频| 美女扒开内裤让男人捅视频| 色婷婷av一区二区三区视频| 美女扒开内裤让男人捅视频| 久久久久国产一级毛片高清牌| 国产欧美日韩一区二区精品| 十分钟在线观看高清视频www| 免费不卡黄色视频| 日本猛色少妇xxxxx猛交久久| 美国免费a级毛片| 天天躁日日躁夜夜躁夜夜| 老司机在亚洲福利影院| 亚洲成人免费电影在线观看| 成人av一区二区三区在线看 | 亚洲熟女精品中文字幕| 亚洲国产欧美在线一区| 久久久国产一区二区| 高清av免费在线| 国产激情久久老熟女| 91大片在线观看| 美国免费a级毛片| 老司机深夜福利视频在线观看 | 亚洲三区欧美一区| av免费在线观看网站| 久久久久国产精品人妻一区二区| 亚洲精品国产区一区二| 亚洲 国产 在线| 国产成+人综合+亚洲专区| 丰满迷人的少妇在线观看| 中文字幕色久视频| 91麻豆av在线| 久久久久国产一级毛片高清牌| 我的亚洲天堂| 我的亚洲天堂| 国产亚洲精品一区二区www | 欧美国产精品va在线观看不卡| 国产成+人综合+亚洲专区| 欧美中文综合在线视频| 18禁国产床啪视频网站| 美女脱内裤让男人舔精品视频| 亚洲avbb在线观看| 美女主播在线视频| 久久国产精品大桥未久av| 男女之事视频高清在线观看| 交换朋友夫妻互换小说| 欧美亚洲 丝袜 人妻 在线| 国产精品成人在线| 99香蕉大伊视频| 99热全是精品| av免费在线观看网站| 国产野战对白在线观看| 亚洲视频免费观看视频| 亚洲精品美女久久av网站| 亚洲国产日韩一区二区| 永久免费av网站大全| 午夜精品久久久久久毛片777| 国产精品偷伦视频观看了| 久久久精品94久久精品| 日日夜夜操网爽| 99国产精品一区二区三区| 99国产精品99久久久久| 国产成人av激情在线播放| 一区二区三区四区激情视频| 亚洲成人免费电影在线观看| 久久精品国产亚洲av香蕉五月 | av天堂在线播放| 女人高潮潮喷娇喘18禁视频| 精品视频人人做人人爽| 十八禁网站免费在线| 欧美激情极品国产一区二区三区| 18在线观看网站| av福利片在线| 午夜激情久久久久久久| 黄色怎么调成土黄色| 国产在视频线精品| 性色av一级| 欧美精品高潮呻吟av久久| 亚洲久久久国产精品| 免费观看av网站的网址| 最新的欧美精品一区二区| 亚洲av男天堂| 婷婷丁香在线五月| 亚洲国产精品一区三区| 色播在线永久视频| 精品久久久精品久久久| 久久久久网色| 男人舔女人的私密视频| 亚洲成人国产一区在线观看| 亚洲av美国av| 日韩视频一区二区在线观看| a级毛片在线看网站| 国产区一区二久久| 成人18禁高潮啪啪吃奶动态图| 亚洲成人手机| 亚洲va日本ⅴa欧美va伊人久久 | 亚洲精品国产精品久久久不卡| 俄罗斯特黄特色一大片| 亚洲七黄色美女视频| 黄片大片在线免费观看| 国产一区二区在线观看av| 国产精品成人在线| 日韩制服骚丝袜av| 婷婷丁香在线五月| 日韩大片免费观看网站| 国产麻豆69| 一进一出抽搐动态| 国产成人免费观看mmmm| 老司机福利观看| 国产成人免费无遮挡视频| 一本大道久久a久久精品| a 毛片基地| 欧美乱码精品一区二区三区| 99国产综合亚洲精品| 中文字幕另类日韩欧美亚洲嫩草| 大型av网站在线播放| 亚洲一码二码三码区别大吗| 国产一区二区三区av在线| 老司机午夜福利在线观看视频 | 高清av免费在线| av天堂久久9| 美国免费a级毛片| 女人爽到高潮嗷嗷叫在线视频| 国产精品99久久99久久久不卡| 下体分泌物呈黄色| 精品亚洲成a人片在线观看| 精品少妇黑人巨大在线播放| 免费观看人在逋| 欧美成狂野欧美在线观看| 成人国产av品久久久| 欧美另类亚洲清纯唯美| 法律面前人人平等表现在哪些方面 | 老熟女久久久| 美女中出高潮动态图| 免费在线观看完整版高清| 欧美黄色片欧美黄色片| 中文字幕人妻丝袜制服| 久久香蕉激情| 欧美大码av| 欧美国产精品va在线观看不卡| 欧美 日韩 精品 国产| 日本黄色日本黄色录像| 亚洲成人国产一区在线观看| 亚洲国产精品一区二区三区在线| 国产一区二区在线观看av| av一本久久久久| av电影中文网址| 免费在线观看影片大全网站| 人妻 亚洲 视频| 精品久久久久久久毛片微露脸 | 午夜福利在线免费观看网站| 亚洲精华国产精华精| 两人在一起打扑克的视频| 国产精品 欧美亚洲| 精品卡一卡二卡四卡免费| 免费在线观看影片大全网站| 久久久精品免费免费高清| 久久人妻熟女aⅴ| 午夜精品久久久久久毛片777| 国产激情久久老熟女| 亚洲成人手机| 曰老女人黄片| 又紧又爽又黄一区二区| 在线观看人妻少妇| 十八禁网站免费在线| 久久精品成人免费网站| 精品欧美一区二区三区在线| 日日夜夜操网爽| 亚洲精品国产区一区二| 国产av一区二区精品久久| 欧美激情高清一区二区三区| 久9热在线精品视频| 夫妻午夜视频| 亚洲精品国产一区二区精华液| 久久国产精品人妻蜜桃| 一区二区三区四区激情视频| 一边摸一边抽搐一进一出视频| 丝瓜视频免费看黄片| 精品少妇黑人巨大在线播放| 十八禁人妻一区二区| 欧美一级毛片孕妇| 丰满少妇做爰视频| 久热爱精品视频在线9| 男女午夜视频在线观看| 精品少妇黑人巨大在线播放| 69av精品久久久久久 | 日本欧美视频一区| 久久久精品免费免费高清| 亚洲欧美一区二区三区黑人| 午夜老司机福利片| 精品国产乱子伦一区二区三区 | 欧美 日韩 精品 国产| 精品一区二区三卡| 国产精品九九99| 日本av免费视频播放| 日本一区二区免费在线视频| 青春草亚洲视频在线观看| 欧美精品亚洲一区二区| 人人妻,人人澡人人爽秒播| 国产伦理片在线播放av一区| 这个男人来自地球电影免费观看| www.精华液| 亚洲午夜精品一区,二区,三区| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩中文字幕国产精品一区二区三区 | 久久人人97超碰香蕉20202| 精品人妻一区二区三区麻豆| 久久亚洲国产成人精品v| 啪啪无遮挡十八禁网站| av片东京热男人的天堂| 国产成人a∨麻豆精品| 18禁观看日本| 女性生殖器流出的白浆| 久久久水蜜桃国产精品网| 亚洲欧洲日产国产| videos熟女内射| 免费在线观看黄色视频的| 国产精品一区二区在线不卡| 天天躁狠狠躁夜夜躁狠狠躁| 国产一区二区三区av在线| 在线十欧美十亚洲十日本专区| 国产精品二区激情视频| 色综合欧美亚洲国产小说| 自线自在国产av| 18在线观看网站| 在线 av 中文字幕| 午夜福利在线免费观看网站| 亚洲国产精品一区三区| 天天影视国产精品| 操出白浆在线播放| 亚洲精品中文字幕在线视频| 这个男人来自地球电影免费观看| 精品国内亚洲2022精品成人 | 精品一区二区三区四区五区乱码| 国产片内射在线| 91九色精品人成在线观看| 一边摸一边做爽爽视频免费| 搡老岳熟女国产| 狠狠狠狠99中文字幕| 一级毛片电影观看| 精品福利观看| 蜜桃在线观看..| 中文字幕色久视频| 手机成人av网站| 宅男免费午夜| 可以免费在线观看a视频的电影网站| 国产亚洲精品一区二区www | 亚洲国产精品999| 这个男人来自地球电影免费观看| 人妻人人澡人人爽人人| 无遮挡黄片免费观看| 99国产精品一区二区蜜桃av | 欧美亚洲日本最大视频资源| 欧美精品人与动牲交sv欧美| 亚洲五月婷婷丁香| 久久综合国产亚洲精品| 少妇 在线观看| 狠狠婷婷综合久久久久久88av| 可以免费在线观看a视频的电影网站| 久久国产亚洲av麻豆专区| 成人国产一区最新在线观看| 欧美日韩成人在线一区二区| 啦啦啦中文免费视频观看日本| 少妇粗大呻吟视频| 成年美女黄网站色视频大全免费| 亚洲欧美日韩高清在线视频 | 亚洲五月婷婷丁香| 黑人欧美特级aaaaaa片| 国产成人系列免费观看| 亚洲欧美精品自产自拍| 丰满人妻熟妇乱又伦精品不卡| 黄色视频在线播放观看不卡| 热99久久久久精品小说推荐| 国产黄频视频在线观看| 亚洲成人手机| 国产亚洲av片在线观看秒播厂| 纵有疾风起免费观看全集完整版| 欧美日韩成人在线一区二区| av天堂久久9| 久久久精品区二区三区| 日韩三级视频一区二区三区| 精品国产一区二区久久| 国产成人av激情在线播放| 亚洲国产欧美日韩在线播放| 在线精品无人区一区二区三| 中文字幕人妻熟女乱码| 精品国内亚洲2022精品成人 | 男女国产视频网站| 十八禁高潮呻吟视频| 欧美激情高清一区二区三区| 国产亚洲午夜精品一区二区久久| 水蜜桃什么品种好| 精品乱码久久久久久99久播| 国产精品 欧美亚洲| 亚洲精品在线美女| 午夜福利免费观看在线| 久久精品久久久久久噜噜老黄| 一区二区三区乱码不卡18| 天天添夜夜摸| 成年女人毛片免费观看观看9 | 亚洲国产精品成人久久小说| avwww免费| 国产激情久久老熟女| 中文字幕制服av| 国产精品自产拍在线观看55亚洲 | 少妇猛男粗大的猛烈进出视频| 国产深夜福利视频在线观看| 亚洲五月婷婷丁香| 男男h啪啪无遮挡| 免费少妇av软件| 国产精品久久久久久人妻精品电影 | 丰满少妇做爰视频| 亚洲精品美女久久久久99蜜臀| 丰满人妻熟妇乱又伦精品不卡| 五月天丁香电影| 亚洲成av片中文字幕在线观看| 亚洲欧洲日产国产| 男人爽女人下面视频在线观看| 国产深夜福利视频在线观看| 久久久国产成人免费| 99国产精品一区二区三区| 午夜福利一区二区在线看| 成人黄色视频免费在线看| 一本久久精品| 欧美变态另类bdsm刘玥| 中文字幕色久视频| 欧美日韩精品网址| 99国产精品一区二区蜜桃av | 又黄又粗又硬又大视频| 亚洲国产看品久久| 亚洲美女黄色视频免费看| 天天躁日日躁夜夜躁夜夜| 一个人免费在线观看的高清视频 | a级毛片在线看网站| 黄色片一级片一级黄色片| 丝袜在线中文字幕| 亚洲国产精品一区二区三区在线| 精品国内亚洲2022精品成人 | 黑人巨大精品欧美一区二区mp4| 亚洲精品美女久久久久99蜜臀| 久久久国产成人免费| 久久久久久久大尺度免费视频| 欧美激情高清一区二区三区| 91大片在线观看| 美女视频免费永久观看网站| 国产免费现黄频在线看| 一级黄色大片毛片| 国产免费现黄频在线看| 午夜日韩欧美国产| 美女中出高潮动态图| av福利片在线| a 毛片基地| 国产亚洲欧美在线一区二区| av又黄又爽大尺度在线免费看| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品香港三级国产av潘金莲| 桃红色精品国产亚洲av| 91九色精品人成在线观看| av免费在线观看网站| 午夜福利免费观看在线| 成人影院久久| 国产成人系列免费观看| 在线观看免费日韩欧美大片| 国产精品久久久久成人av| 亚洲久久久国产精品| 午夜久久久在线观看| 好男人电影高清在线观看| 国产伦人伦偷精品视频| 免费在线观看日本一区| 午夜福利乱码中文字幕| 精品国产乱码久久久久久小说| 国产老妇伦熟女老妇高清| 午夜福利免费观看在线| 黄片播放在线免费| 日本五十路高清| 久久精品成人免费网站| 9191精品国产免费久久| 国产精品国产av在线观看| 亚洲av男天堂| 黑人巨大精品欧美一区二区mp4| 女人久久www免费人成看片| 夜夜夜夜夜久久久久| 国产精品一二三区在线看| 黄频高清免费视频| 精品少妇久久久久久888优播| 天天躁狠狠躁夜夜躁狠狠躁| 欧美精品一区二区大全| 精品卡一卡二卡四卡免费| avwww免费| 在线观看免费午夜福利视频| 97人妻天天添夜夜摸|