交通环境下基于深度神经网络的行人检测研究

摘要

针对交通环境下行人检测器精度低误检高的问题,借鉴深度神经网络中目标检测的研究成果,以YOLO网络框架为基础,根据车载视频分辨率及视频中目标行人尺寸等特点,优化网络输入尺寸,使用额外的行人数据和数据增广策略,提出一种在交通环境下高鲁棒性的行人检测和定位方法。在City Persons行人数据集上的实验结果表明,文章模型比原模型检测精度提升10%以上,与当前具有代表性的行人检测方法相比,漏检和误检大大降低,检测速度达到31帧/秒,满足实时性要求。