基于卷積神經(jīng)網(wǎng)絡(luò)的行人目標(biāo)檢測(cè)系統(tǒng)設(shè)計(jì)

王 林，劉 盼

(西安理工大學(xué) 自動(dòng)化與信息工程學(xué)院，西安 710048)

0 引言

卷積神經(jīng)網(wǎng)絡(luò)是以卷積計(jì)算為基礎(chǔ)的前饋型神經(jīng)調(diào)節(jié)網(wǎng)絡(luò)，包含多個(gè)深度支撐結(jié)構(gòu)，是深度學(xué)習(xí)理論中的代表應(yīng)用算法。與其它調(diào)節(jié)型網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)具備完善的表征學(xué)習(xí)能力，可按照輸入信息所屬階層，對(duì)數(shù)據(jù)節(jié)點(diǎn)實(shí)施分類或平移轉(zhuǎn)換，故也被稱為“具有平移不變能力的人工神經(jīng)網(wǎng)絡(luò)”[1-2]。該項(xiàng)物理概念最早由西方國(guó)家研究人員在20世紀(jì)80年代中期提出，當(dāng)時(shí)的卷積神經(jīng)網(wǎng)絡(luò)具備較長(zhǎng)時(shí)間的物理反應(yīng)延遲，而在21世紀(jì)初期，隨著深度學(xué)習(xí)理論的不斷完善，卷積神經(jīng)網(wǎng)絡(luò)也得到了快速的發(fā)展，并且被廣泛應(yīng)用于自然語(yǔ)言處理、計(jì)算機(jī)目標(biāo)檢測(cè)等多個(gè)領(lǐng)域。

目標(biāo)檢測(cè)是基于目標(biāo)幾何特征統(tǒng)計(jì)的圖像分割方法。通常情況下，可將一個(gè)待測(cè)目標(biāo)人工分裂成多個(gè)部分，在復(fù)雜應(yīng)用場(chǎng)景中，多個(gè)目標(biāo)組織具備完全統(tǒng)一的實(shí)時(shí)協(xié)調(diào)能力，可輔助計(jì)算機(jī)系統(tǒng)獲取直觀的識(shí)別處理結(jié)果。PCA、SVM算法是常見的行人目標(biāo)檢測(cè)系統(tǒng)處置方案，可通過特征降維的方式，消除待檢樣本的殘影序列，從而實(shí)現(xiàn)對(duì)行人目標(biāo)的實(shí)時(shí)穩(wěn)定跟蹤。但上述系統(tǒng)的目標(biāo)數(shù)據(jù)堆積程度相對(duì)較高，很難獲取足量的行人目標(biāo)檢測(cè)信息，易因運(yùn)動(dòng)姿態(tài)的不確定性而造成實(shí)時(shí)檢測(cè)精度的下降。為解決此問題，引入卷積神經(jīng)網(wǎng)絡(luò)，在CNN計(jì)算框架、訓(xùn)練文件架構(gòu)等多項(xiàng)應(yīng)用設(shè)備結(jié)構(gòu)的支持下，設(shè)計(jì)一種新型的行人目標(biāo)檢測(cè)系統(tǒng)，并通過比照實(shí)驗(yàn)的方式，突出說明兩類系統(tǒng)間的實(shí)用差異性。

1 卷積神經(jīng)架構(gòu)及檢測(cè)體系結(jié)構(gòu)

行人目標(biāo)檢測(cè)系統(tǒng)的卷積神經(jīng)架構(gòu)由目標(biāo)傳感器、神經(jīng)型分類器、并行檢測(cè)結(jié)構(gòu)等多個(gè)應(yīng)用元件組成，具體搭建方法如下。

1.1 CNN計(jì)算框架

行人目標(biāo)檢測(cè)系統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)以CNN計(jì)算框架作為核心搭建結(jié)構(gòu)，在“主機(jī)+FPGA”體系的基礎(chǔ)上，控制目標(biāo)檢測(cè)特征的輸入與輸出流程，再聯(lián)合信息存儲(chǔ)帶寬與卷積網(wǎng)絡(luò)內(nèi)部的核權(quán)值，實(shí)現(xiàn)行人目標(biāo)圖像的實(shí)時(shí)匹配。當(dāng)CNN并行計(jì)算單元開始接收目標(biāo)數(shù)據(jù)存儲(chǔ)器中的傳輸信息后，整個(gè)計(jì)算框架才正式進(jìn)入檢測(cè)運(yùn)行模式，在此過程中目標(biāo)傳感器、卷積分類器等應(yīng)用型設(shè)備始終保持獨(dú)立的并行連接狀態(tài)，且與內(nèi)網(wǎng)絡(luò)存儲(chǔ)結(jié)構(gòu)相連的數(shù)據(jù)傳輸信道，也會(huì)隨之出現(xiàn)兼容性占用趨勢(shì)，一方面實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)體系內(nèi)的信息檢測(cè)環(huán)境構(gòu)建，另一方面也可將與行人目標(biāo)相關(guān)的圖像數(shù)據(jù)，直接反饋至系統(tǒng)檢測(cè)主機(jī)中。作為卷積神經(jīng)網(wǎng)絡(luò)的初級(jí)處理結(jié)構(gòu)，CNN計(jì)算框架可協(xié)調(diào)行人目標(biāo)信息間的傳播應(yīng)用關(guān)系，再占據(jù)一定的系統(tǒng)帶寬條件，傳輸必要的目標(biāo)權(quán)值參量，從而完成行人目標(biāo)信息的輸出與平衡，建立數(shù)據(jù)存儲(chǔ)器與系統(tǒng)檢測(cè)主機(jī)間的應(yīng)用連接[3]。

圖1 CNN計(jì)算框架圖

1.2 目標(biāo)傳感器

目標(biāo)傳感器是行人目標(biāo)檢測(cè)系統(tǒng)中的重要數(shù)據(jù)處理元件，以3D Magnetic Seneor設(shè)備作為主要搭建結(jié)構(gòu)，芯片外緣負(fù)載多個(gè)傳感接線柱組織，可深入CNN計(jì)算框架中調(diào)取卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的目標(biāo)應(yīng)用信息，并按照既定數(shù)學(xué)模型，將各數(shù)據(jù)指標(biāo)匯總至檢測(cè)系統(tǒng)關(guān)聯(lián)數(shù)據(jù)庫(kù)中[4]。從執(zhí)行功能的角度來(lái)看，目標(biāo)傳感器基本等同于一個(gè)信息處理設(shè)備，可借助傳輸導(dǎo)線建立與卷積神經(jīng)網(wǎng)絡(luò)及檢測(cè)分類器的物理連接，在待檢目標(biāo)行人運(yùn)動(dòng)姿態(tài)出現(xiàn)明顯變動(dòng)的情況下，3D Magnetic Seneor設(shè)備內(nèi)暫存的數(shù)據(jù)信息總量也會(huì)隨之快速變化。一般來(lái)說，行人運(yùn)動(dòng)幅度越大，姿態(tài)的變動(dòng)區(qū)間范圍就越寬，與之匹配的目標(biāo)傳感數(shù)據(jù)總量也就越多；行人運(yùn)動(dòng)幅度越小，姿態(tài)的變動(dòng)區(qū)間范圍就越窄，與之匹配的目標(biāo)傳感數(shù)據(jù)總量也就越少[5]。若傳感器接線柱的占用頻率過高，則易導(dǎo)致信息數(shù)據(jù)堆積量的快速增加，而在目標(biāo)傳感器的調(diào)度下，CNN計(jì)算框架的承載容量也隨之提升，不僅增大了系統(tǒng)在單位時(shí)間內(nèi)對(duì)于行人目標(biāo)信息的檢測(cè)總量，也避免了運(yùn)動(dòng)姿態(tài)不確定性對(duì)實(shí)時(shí)檢測(cè)結(jié)果造成的抑制影響。

1.3 神經(jīng)型卷積分類器

在檢測(cè)系統(tǒng)中，神經(jīng)型卷積分類器只處理行人目標(biāo)圖像中的陰影淡化問題，可在原始數(shù)據(jù)信息的基礎(chǔ)上，按照線性投射原理，固定陰影區(qū)間的實(shí)際籠罩范圍，再聯(lián)合Markov分類處置元件，判定該類型信息所屬的存儲(chǔ)形態(tài)，從而建立與并行檢測(cè)結(jié)構(gòu)間的理論應(yīng)用連接。因神經(jīng)型卷積分類器不具備獨(dú)立的形態(tài)結(jié)構(gòu)，故原始行人目標(biāo)圖像中一定會(huì)存在比較多的信息干擾節(jié)點(diǎn)，如圖2所示[6]。

圖2 原始行人目標(biāo)圖像

Markov處置元件的一次分類作用主要針對(duì)行人目標(biāo)圖像中的明顯性干擾信息噪點(diǎn)(如樹影、燈影等)。當(dāng)目標(biāo)傳感器中的數(shù)據(jù)信息呈現(xiàn)快速匯集狀態(tài)時(shí)，卷積分類器才開始對(duì)行人目標(biāo)圖像的集中性處理，但此次操作的執(zhí)行能力有限，只能淡化大范圍的陰影節(jié)點(diǎn)，不能去除行人目標(biāo)體周圍的干擾信息噪點(diǎn)，如圖3所示[7]。

圖3 一次分類后的行人目標(biāo)圖像

Markov處置元件的二次分類作用主要針對(duì)行人目標(biāo)體周圍的干擾信息噪點(diǎn)(如人體陰影)。在此情況下，目標(biāo)傳感器中的數(shù)據(jù)信息快速分散，卷積分類器轉(zhuǎn)移與行人目標(biāo)相關(guān)的神經(jīng)性節(jié)點(diǎn)組織，達(dá)到直觀獲取系統(tǒng)檢測(cè)指令的目的，如圖4所示。

圖4 二次分類后的行人目標(biāo)圖像

1.4 并行檢測(cè)結(jié)構(gòu)

并行檢測(cè)結(jié)構(gòu)存在于系統(tǒng)數(shù)據(jù)輸入端與輸出端之間，可將卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的行人目標(biāo)信息，轉(zhuǎn)化為完整的檢測(cè)處理圖像，是神經(jīng)型卷積分類器的下級(jí)執(zhí)行元件，同時(shí)滿足CNN計(jì)算框架與目標(biāo)傳感器的調(diào)度與調(diào)節(jié)需求。整個(gè)并行檢測(cè)結(jié)構(gòu)由卷積子層、目標(biāo)抽樣層兩部分組成[8]。通常情況下，卷積子層直接與系統(tǒng)神經(jīng)網(wǎng)絡(luò)主機(jī)相連，可在多個(gè)節(jié)點(diǎn)組織的作用下，對(duì)神經(jīng)型卷積分類器輸入的行人目標(biāo)信息實(shí)時(shí)統(tǒng)籌處理，并借助神經(jīng)網(wǎng)絡(luò)中的卷積遞歸函數(shù)，實(shí)現(xiàn)對(duì)目標(biāo)數(shù)據(jù)的抽樣處置。目標(biāo)抽樣層包含大量的檢測(cè)函數(shù)模型，可在接收卷積子層結(jié)構(gòu)中行人目標(biāo)信息的同時(shí)，建立必要的圖像檢測(cè)規(guī)則，并將這些信息與Markov處置元件中的噪點(diǎn)數(shù)據(jù)匹配，從而生成獨(dú)立的行人目標(biāo)檢測(cè)圖像，以供其它系統(tǒng)設(shè)備的直接應(yīng)用與調(diào)取。

圖5 系統(tǒng)并行檢測(cè)結(jié)構(gòu)

2 基于卷積神經(jīng)網(wǎng)絡(luò)的行人目標(biāo)檢測(cè)系統(tǒng)軟件設(shè)計(jì)

2.1 待檢測(cè)目標(biāo)樣本訓(xùn)練

在卷積神經(jīng)架構(gòu)及檢測(cè)體系結(jié)構(gòu)的支持下，按照訓(xùn)練文件連接、訓(xùn)練環(huán)境搭建、參數(shù)文件配置的處理流程，實(shí)現(xiàn)對(duì)待檢測(cè)行人目標(biāo)樣本的訓(xùn)練處理。

2.1.1 訓(xùn)練文件架構(gòu)

訓(xùn)練文件架構(gòu)建設(shè)是實(shí)現(xiàn)行人目標(biāo)檢測(cè)的重要處理流程，包含存放目錄生成、子文件夾讀取、候選框合并等多個(gè)處置階段(如表1所示)。在實(shí)際檢測(cè)過程中，訓(xùn)練文件架構(gòu)可以充當(dāng)行人目標(biāo)數(shù)據(jù)的傳輸背景，一方面可與卷積神經(jīng)網(wǎng)絡(luò)中的并行檢測(cè)結(jié)構(gòu)建立應(yīng)用型連接，另一方面可在目標(biāo)傳感器的促進(jìn)下，選擇文件樣本中的必要信息參量[9]。存放目錄也叫訓(xùn)練文件架構(gòu)的基層數(shù)據(jù)處置單元，常被定義為“caffe-fast-rcnn”譯碼形式，其中“caffe”編碼代表神經(jīng)網(wǎng)絡(luò)內(nèi)部的卷積型連接節(jié)點(diǎn)；“fast”編碼代表平行檢測(cè)情況下的行人目標(biāo)數(shù)據(jù)轉(zhuǎn)碼速率，若轉(zhuǎn)碼速率過快，則可在“fast”源碼的基礎(chǔ)上后綴“+”或“++”，以描述系統(tǒng)內(nèi)文件架構(gòu)行為的具體施行狀態(tài)；“rcnn” 編碼代表行人目標(biāo)數(shù)據(jù)結(jié)構(gòu)在卷積神經(jīng)網(wǎng)絡(luò)中所處的實(shí)時(shí)位置，為保證系統(tǒng)應(yīng)用檢測(cè)指令的獲取直觀性，編碼體在訓(xùn)練文件架構(gòu)中始終保持波動(dòng)性傳輸狀態(tài)，且極值信息點(diǎn)的標(biāo)注范圍不得超過[20,210](限制單位為109T)的物理區(qū)間。

表1 訓(xùn)練文件架構(gòu)建設(shè)處置原理

2.1.2 訓(xùn)練環(huán)境

根據(jù)表13顯示：拉丁舞練習(xí)組女生在上肢快速反應(yīng)測(cè)試中使用時(shí)間平均減少了8.17s，拉丁舞練習(xí)組男生平均減少了11.03s，P＜0.05，兩組之間具有顯著性差異，表明拉丁舞對(duì)男生上肢協(xié)調(diào)性的影響大于女生；觸桿反應(yīng)測(cè)試和十字繞桿跑測(cè)試中，拉丁舞練習(xí)組女生使用時(shí)間分別平均減少了2.88s和2.67s，拉丁舞練習(xí)組男生分別平均減少了3.62s和1.72s，兩組之間差異不顯著，表明拉丁舞對(duì)男、女大學(xué)生靈敏素質(zhì)影響差異不大。

行人目標(biāo)文件的訓(xùn)練環(huán)境搭建包含硬件配置、軟件配置兩個(gè)環(huán)節(jié)。其中，硬件配置是指檢測(cè)主機(jī)存儲(chǔ)容量及存儲(chǔ)形式的選擇，縱觀整個(gè)神經(jīng)網(wǎng)絡(luò)的卷積連接形式，系統(tǒng)檢測(cè)主機(jī)內(nèi)的GPU結(jié)構(gòu)，至少具備16 G的數(shù)據(jù)承載空間，而與文件架構(gòu)所匹配的硬盤空間則至少應(yīng)保持為2 006 G。軟件配置則主要針對(duì)行人目標(biāo)文件的存放目錄結(jié)構(gòu)，在算法層面，整個(gè)訓(xùn)練框架始終保持為開源狀態(tài)，隨著“fast”編碼后綴“+”符號(hào)數(shù)量的增加，系統(tǒng)檢測(cè)編碼的實(shí)時(shí)位置也會(huì)逐漸向著神經(jīng)網(wǎng)絡(luò)主機(jī)端靠近，直至行人目標(biāo)數(shù)據(jù)的轉(zhuǎn)碼速率與文件樣本生成速率完全相等[10]。針對(duì)“alt-opt”型行人目標(biāo)數(shù)據(jù)信息，檢測(cè)系統(tǒng)軟件配置則采取數(shù)據(jù)集解壓的處理形式，將卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的節(jié)點(diǎn)占用率降低至低標(biāo)準(zhǔn)應(yīng)用狀態(tài)后，實(shí)施測(cè)試腳本的規(guī)劃與利用，直至卷積分類器可直接輸出與行人目標(biāo)數(shù)據(jù)相關(guān)的系統(tǒng)檢測(cè)結(jié)果。

2.1.3 參數(shù)文件配置

完成配置后的行人目標(biāo)參數(shù)文件主要存儲(chǔ)在“caffe-fast-rcnn”目錄下，可按照信息樣本節(jié)點(diǎn)內(nèi)的數(shù)據(jù)函數(shù)重要度，確定檢測(cè)系統(tǒng)中訓(xùn)練文件架構(gòu)的實(shí)際連接形式，從而實(shí)現(xiàn)對(duì)卷積神經(jīng)網(wǎng)絡(luò)內(nèi)樣本節(jié)點(diǎn)的合理化占用[11]。用于生成行人目標(biāo)檢測(cè)指令的配置函數(shù)由多種基類形式共同組成，簡(jiǎn)單來(lái)說，可在加載訓(xùn)練文件樣本信息的同時(shí)，處理系統(tǒng)檢測(cè)節(jié)點(diǎn)間的數(shù)據(jù)互聯(lián)關(guān)系，從而實(shí)現(xiàn)對(duì)行人目標(biāo)數(shù)據(jù)的加載預(yù)處理。表2描述了幾種常見的行人目標(biāo)參數(shù)文件配置函數(shù)。

表2 常見行人目標(biāo)參數(shù)文件的配置函數(shù)

2.2 行人目標(biāo)樣本重構(gòu)及目標(biāo)檢測(cè)

按照待檢測(cè)目標(biāo)樣本的實(shí)際訓(xùn)練需求，配置系統(tǒng)檢測(cè)接口的實(shí)際訪問參數(shù)，再聯(lián)合模塊復(fù)用加速結(jié)構(gòu)，完成卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的行人目標(biāo)樣本重構(gòu)，實(shí)現(xiàn)新型行人目標(biāo)檢測(cè)系統(tǒng)的順利應(yīng)用。

2.2.1 檢測(cè)節(jié)點(diǎn)架構(gòu)

圖6 系統(tǒng)檢測(cè)節(jié)點(diǎn)的架構(gòu)連接形式

2.2.2 訪問接口配置

訪問接口配置是在檢測(cè)節(jié)點(diǎn)架構(gòu)的基礎(chǔ)上，對(duì)行人目標(biāo)信息數(shù)據(jù)包的進(jìn)一步處理，可聯(lián)合神經(jīng)卷積分類器等多個(gè)硬件應(yīng)用結(jié)構(gòu)，處理系統(tǒng)內(nèi)的檢測(cè)執(zhí)行指令，從而控制行人目標(biāo)樣本圖像的實(shí)際輸出方向[13]。在訪問接口組織的促進(jìn)下，待檢測(cè)行人目標(biāo)信息數(shù)據(jù)包首先執(zhí)行封裝處理，再根據(jù)各類“def”函數(shù)的排列形式，生成多個(gè)解碼型數(shù)據(jù)結(jié)構(gòu)，借助已重構(gòu)的訓(xùn)練文件樣本，生成系統(tǒng)檢測(cè)所需的地址及指令信息參量，經(jīng)過多次緩沖穩(wěn)定，生成最終的行人目標(biāo)樣本圖像，借助完善的訪問接口組織，傳輸至其它系統(tǒng)元件結(jié)構(gòu)之中。

圖7 訪問接口配置原理

2.2.3 模塊復(fù)用加速設(shè)計(jì)

模塊復(fù)用加速器是指存在于卷積神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)內(nèi)的信息初始結(jié)構(gòu)，可在固定行人目標(biāo)圖像中像素點(diǎn)梯度值的同時(shí)，以核心像素點(diǎn)作為系統(tǒng)檢測(cè)指令的實(shí)時(shí)切入位置，再分別計(jì)算各個(gè)方向上的圖像梯度分布常量數(shù)值。通常情況下，一個(gè)模塊復(fù)用加速器只對(duì)應(yīng)一個(gè)像素點(diǎn)梯度數(shù)值，且與之匹配的梯度方向和梯度角度也始終保持在固定參數(shù)區(qū)間內(nèi)[14]。設(shè)t0代表系統(tǒng)檢測(cè)模塊間最小的復(fù)用加速時(shí)長(zhǎng)，t1代表系統(tǒng)檢測(cè)模塊間最大的復(fù)用加速時(shí)長(zhǎng)，聯(lián)合復(fù)頻卷積參量f，可將行人目標(biāo)檢測(cè)系統(tǒng)中的模塊復(fù)用加速應(yīng)用公式定義為：

(1)

其中:δ0代表神經(jīng)網(wǎng)絡(luò)內(nèi)的最小卷積應(yīng)用權(quán)限，δ1代表神經(jīng)網(wǎng)絡(luò)內(nèi)的最大卷積應(yīng)用權(quán)限，χ代表與行人目標(biāo)數(shù)據(jù)匹配的必要檢測(cè)系數(shù)，Δy代表單位復(fù)用加速時(shí)長(zhǎng)t行人目標(biāo)數(shù)據(jù)的檢測(cè)處理總量。至此，實(shí)現(xiàn)各項(xiàng)軟硬件執(zhí)行結(jié)構(gòu)的搭建，在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的支持下，完成新型行人目標(biāo)檢測(cè)系統(tǒng)的設(shè)計(jì)。

3 實(shí)驗(yàn)分析

為驗(yàn)證基于卷積神經(jīng)網(wǎng)絡(luò)行人目標(biāo)檢測(cè)系統(tǒng)的實(shí)際應(yīng)用價(jià)值，設(shè)計(jì)對(duì)比實(shí)驗(yàn)。在既定背景環(huán)境中，設(shè)置多個(gè)監(jiān)測(cè)攝像頭用于獲取連續(xù)的行人目標(biāo)圖像，如圖8所示，將攝像頭內(nèi)的數(shù)據(jù)參量轉(zhuǎn)換成信息流形式，傳輸至檢測(cè)分析主機(jī)中，根據(jù)各項(xiàng)參量指標(biāo)的具體變化情況，研究單位時(shí)間內(nèi)行人目標(biāo)檢測(cè)量及目標(biāo)數(shù)據(jù)堆積量的具體變化趨勢(shì)，其中實(shí)驗(yàn)組分析主機(jī)搭載新型行人目標(biāo)檢測(cè)系統(tǒng)，對(duì)照組主機(jī)1搭載PCA算法，對(duì)照組主機(jī)2搭載SVM算法。

圖8 實(shí)驗(yàn)檢測(cè)圖像

以10 min作為單位檢測(cè)時(shí)長(zhǎng)，分別記錄在5個(gè)單位時(shí)長(zhǎng)內(nèi)，實(shí)驗(yàn)組、對(duì)照組行人目標(biāo)檢測(cè)量的實(shí)際變化情況，實(shí)驗(yàn)詳情如表3所示。

表3 行人目標(biāo)檢測(cè)量對(duì)比表

由表3可知，實(shí)驗(yàn)組行人目標(biāo)檢測(cè)量在第5組別內(nèi)的記錄數(shù)值最大，平均數(shù)量級(jí)達(dá)到9.45×109T，第1組別內(nèi)的記錄數(shù)值最小，平均數(shù)量級(jí)僅為8.00×109T，整個(gè)實(shí)驗(yàn)過程中的平均數(shù)量級(jí)達(dá)到8.85×109T，處于最大、最小平均數(shù)值結(jié)果之間；對(duì)照組1行人目標(biāo)檢測(cè)量在4組別內(nèi)的記錄數(shù)值最大，平均數(shù)量級(jí)達(dá)到4.35×109T，在第2組別內(nèi)的記錄數(shù)值最小，平均數(shù)量級(jí)僅為4.20×109T，整個(gè)實(shí)驗(yàn)過程中的平均數(shù)量級(jí)達(dá)到4.26×109T，與實(shí)驗(yàn)組平均數(shù)值水平相比，下降了4.59×109T；對(duì)照組2行人目標(biāo)檢測(cè)量在第4組別內(nèi)的記錄數(shù)值最大，平均數(shù)量級(jí)達(dá)到4.55×109T，在第1組別內(nèi)的記錄數(shù)值最小，平均數(shù)量級(jí)僅為4.30×109T，整個(gè)實(shí)驗(yàn)過程中的平均數(shù)量級(jí)達(dá)到4.41×109T，與實(shí)驗(yàn)組平均數(shù)值水平相比，下降了4.44×109T。綜上可知，應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)行人目標(biāo)檢測(cè)系統(tǒng)，具備在單位時(shí)間內(nèi)，增強(qiáng)目標(biāo)數(shù)據(jù)信息檢測(cè)量的能力。

分別以10 s、20 s、30 s作為周期性檢測(cè)時(shí)長(zhǎng)，逐次加大檢測(cè)主機(jī)內(nèi)的目標(biāo)數(shù)據(jù)輸入流量，取9次實(shí)驗(yàn)的目標(biāo)數(shù)據(jù)堆積量具體數(shù)據(jù)結(jié)果作為分析樣本，研究行人目標(biāo)數(shù)據(jù)堆積速率的具體變化趨勢(shì)，實(shí)驗(yàn)詳情如表4～6所示。

表4 實(shí)驗(yàn)組目標(biāo)數(shù)據(jù)堆積量

表5 對(duì)照組1目標(biāo)數(shù)據(jù)堆積量

表6 對(duì)照組2目標(biāo)數(shù)據(jù)堆積量

對(duì)比表4～6可知，實(shí)驗(yàn)組目標(biāo)數(shù)據(jù)堆積量在周期性檢測(cè)時(shí)長(zhǎng)等于10 s的情況下，具有最大的平均值結(jié)果，在周期性檢測(cè)時(shí)長(zhǎng)等于20 s的情況下，具有最小的平均值結(jié)果，同時(shí)去除最大值與最小值，取周期性檢測(cè)時(shí)長(zhǎng)等于30 s最為分析對(duì)象，經(jīng)計(jì)算可知，實(shí)驗(yàn)組目標(biāo)數(shù)據(jù)堆積量的平均值僅為1.20×109T/s；對(duì)照組1目標(biāo)數(shù)據(jù)堆積量在周期性檢測(cè)時(shí)長(zhǎng)等于10 s的情況下，具有最大的平均值結(jié)果，在周期性檢測(cè)時(shí)長(zhǎng)等于30 s的情況下，具有最小的平均值結(jié)果，同時(shí)去除最大值與最小值，取周期性檢測(cè)時(shí)長(zhǎng)等于20 s最為分析對(duì)象，經(jīng)計(jì)算可知，對(duì)照組1目標(biāo)數(shù)據(jù)堆積量的平均值達(dá)到3.03×109T/s，與實(shí)驗(yàn)組平均值相比，上升了1.83×109T/s；對(duì)照組2標(biāo)數(shù)據(jù)堆積量在周期性檢測(cè)時(shí)長(zhǎng)等于10 s的情況下，具有最大的平均值結(jié)果，在周期性檢測(cè)時(shí)長(zhǎng)等于30 s的情況下，具有最小的平均值結(jié)果，取周期性檢測(cè)時(shí)長(zhǎng)等于20 s最為分析對(duì)象，經(jīng)計(jì)算可知，對(duì)照組2目標(biāo)數(shù)據(jù)堆積量的平均值達(dá)到2.82×109T/s，與實(shí)驗(yàn)組平均值相比，上升了1.62×109T/s。綜上可知，應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)行人目標(biāo)檢測(cè)系統(tǒng)，可實(shí)現(xiàn)降低單位時(shí)間內(nèi)目標(biāo)數(shù)據(jù)堆積速率的初衷。

4 結(jié)束語(yǔ)

在卷積神經(jīng)網(wǎng)絡(luò)的支持下，新型行人目標(biāo)檢測(cè)系統(tǒng)改進(jìn)傳統(tǒng)CNN計(jì)算框架，聯(lián)合目標(biāo)傳感器、并行檢測(cè)結(jié)構(gòu)等多個(gè)硬件執(zhí)行設(shè)備，在建設(shè)訓(xùn)練文件架構(gòu)的同時(shí)，設(shè)置必要的模塊復(fù)用加速器結(jié)構(gòu)。從實(shí)用性角度來(lái)看，新型檢測(cè)系統(tǒng)可解決PCA、SVM算法中目標(biāo)檢測(cè)量低、數(shù)據(jù)堆積速率快的問題，具備較強(qiáng)的實(shí)用適應(yīng)性。