摘要：针对传统基于人工提取行人特征鲁棒性差,漏检率高的问题,借鉴目标检测的研究成果YOLOv2算法,提出基于YOLOv2网络的行人检测方法。该方法在YOLOv2网络之前加入底层特征提取层,选择LBP纹理特征作为底层特征提取层算子进行预处理,将行人背景差异转化为纹理差异,突出行人特征,然后根据行人在图片中呈现高宽比相对固定,对数据集目标框聚类分析得出最优anchor个数及维度,微调网络参数,训练得到最优模型。在INRIA行人数据集上进行试验,结果表明,该模型在行人检测中漏检率明显优于传统HOG+SVM、Faster-RCNN以及直接应用YOLOv2的方法,在INRIA数据集上误检率为10-1时,漏检率仅为9.26%。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社