基于深度学习的可见光图像中行人检测方法

相对传统的行人检测技术,基于深度学习的行人检测技术具有压倒性的优势,然而由于深度卷积网络规模庞大,需要专用的处理器,限制了行人检测系统的推广。针对上述问题,提出一种网络规模适中的深度卷积网络模型,在保证检测精度的前提下提高检测模型的普适性。以低维度的浅层卷积神经网络为基础,分别从网络层数、感受野大小和特征图3个角度出发搜索最优的网络结构,并通过有指导的实验评估确定最终的网络参数。在Daimler行人数据库上进行实验,结果表明,本文建立的网络不但网络规模适中,而且具备良好的检测性能。在Daimler、MIT、INRIA等行人数据库上进行的交叉实验验证了依本文方法建立网络的鲁棒性,表明其具有推广能力。