论文部分内容阅读
行人检测是辅助驾驶系统的重要组成部分,其主要任务是判定当前道路场景中是否包含行人,如果包含行人则需要给出行人的具体坐标,一般通过边界框的形式给出。辅助驾驶系统行人检测需要应对小目标行人检测带来的挑战,小目标行人分辨率较低,能被提取的目标特征有限,且更容易受到噪声干扰造成漏检。辅助驾驶系统行人检测还需要实现实时行人检测,同时在实时性的基础上还需要保证检测的精度。目前的RefineDet算法在物体检测中取得了较好的表现,但在应对小目标行人检测和实现实时行人检测方面存在一些不足,同时作为基于Anchor检测机制的算法还存在模型复杂,模型迁移能力差等不足。本文针对行人检测目前存在的一些问题进行了相关研究,主要研究工作如下:1、在RefineDet算法的基础上,通过引入综合特征增强模块和特征融合模块,改进其特征的提取和不同层之间的融合方式,进而克服RefineDet算法本身对小目标行人检测能力不足的问题。实验表明,改进算法在Caltech行人数据集和BDD100K数据集具有较好的检测性能,尤其是针对BDD100K数据集中的小目标行人。2、由于RefineDet同时具有一阶段检测器和两阶段检测器的优点,因此继续在该算法的基础上,通过改进其基础网络,加入Light-head结构块和特征融合结构以及引入一系列高效的训练推理策略构建出一种轻量高效的实时检测算法。实验表明,改进的算法在BDD100K数据集上实现了实时行人检测任务,同时保证了较好的检测精度。3、通过Anchor的实现机制可知目前常用的Anchor-base系列检测为了提升检测精度,参数冗余的同时模型也越来越复杂造成其很难达到高效的检测要求。本文将在Anchor-free系列算法的基础上改进基础网络并引入自适应样本选择策略,解决检测算法正负样本选择选取的问题,最终实现高效的行人检测算法。实验表明,改进的算法在BDD100K数据集上检测结果优于一阶段检测算法和绝大部分两阶段算法,同时在自建数据集上的检测结果也证明其模型迁移能力优于Anchor-base算法,能更好的适应不同场景和数据集。