摘要：针对复杂环境下行人检测不能同时满足高召回率与高效率检测的问题,提出一种基于卷积神经网络(CNN)的行人检测方法。首先,采用CNN中的单步检测升级版网络YOLOv2初步检测行人;然后,设计一个网络与YOLOv2网络级联。设计的网络具有目标分类和边界框回归的功能,对YOLOv2初步检测出的行人位置进行再分类与回归,以此降低误检,提高召回率;最后,采用非极大值抑制(NMS)处理的方法去除冗余的边界框。实验结果显示,在数据集INRIA和Caltech上,所提方法与原始YOLOv2相比,召回率提高3. 3个百分点,准确率提高5. 1个百分点,同时速度上达到了11. 6帧/s,实现了实时检测。与现有的流行的行人检测方法相比,所提方法具有更好的整体性能。

摘要：为解决直接采用通用目标检测方法检测行人时检测质量较低这一问题,通过研究不同的通道对检测的影响,发现低层的特征语义信息比较少,但目标位置准确,高层的特征语义信息比较丰富,但目标位置比较粗糙这一特点,提出一种CNN结构,充分利用上下文语义,建模特征通道之间的关系,使CNN提取的特征更具鲁棒性。在KITTI数据集进行训练与测试,对比最新的特征提取方法,提出方法的mAP提高了3.6%,由此验证了建模通道特征方法对行人检测的有效性。