基于Faster RCNN的道路行人检测方法研究

发布时间：2025-07-02 00:28

　　随着人工智能的发展,深度学习方法逐渐应用到智能车辅助驾驶模块中,比如行人检测。目前行人检测的难点主要还是行人多尺度以及行人遮挡问题,归根结底就是提高模型的检测速度和准确度。论文采用Faster RCNN算法来提高行人检测的速度和准确度。主要研究内容如下:（1）针对道路行人存在的多尺度问题,对原始的RPN网络结构进行改进。首先使用9种不同尺度的Anchor来实现对多尺度行人的候选区域提取,然后在VGG16网络的最后一层特征图上使用1×1、3×3、5×5的滑动窗口来生成候选区域,增加多尺度行人检测的鲁棒性。原始的RPN网络特征提取时间达到0.06s/frame,总检测时间达到1.03h,改进的RPN 比原始的RPN特征提取时间节省0.04s/frame,总检测时间节省0.38h,检测速度有所提高。（2）针对道路行人存在的遮挡问题,在算法中加入了特征融合技术。先得到VGG16中Conv4₃和Conv5₃层生成的特征图,再将候选区域映射到这两个特征图上,得到融合之后的特征图,通过ROI Pooling和L2正则化后得到固定大小的特征向量,最后送入后续的...

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

图1.1行人检测技术的背景和应用尤其是在车辆的应用上，行人检测技术已经开始向无人驾驶方面进行实施

1绪论11绪论1.1选题背景及意义汽车是生活中最常见的交通工具，现如今汽车的数量也在逐渐地增加，它除了能带给大家便利以外，同时也给当今社会带来了很多问题，比如交通堵塞，车祸等。这些触目惊心的车祸不仅会给行人的生命财产带来极大的伤害，也会给驾驶员的生命财产带来极大的伤害。那么为了解....

图2.1FasterRCNN框架图

有200倍，也就相当于10ms的时间。FasterRCNN在对目标进行检测时，实现的步骤有两步，第一步先对目标进行定位，第二步再对定位的目标进行分类处理。行人检测具体的实现过程如图2.1所示，先输入一张行人图片至卷积神经网络中，这种网络会对输入的图片进行特征提取，提取之后就会获得....

图10考框平移示意

点都能产生一个参考框，那么对于大小为F(x)的特征图就能产生多个参考框，曲线箭头是平移。在开始阶段需要将特征图映射至原始的图像中，此时池化层会使图像的分辨率逐渐降低，所以需要采用特征步长（FeatureStride）的办法来解决这个问题。行人多尺度检测采用参考框的比例进行设计....

图2.3参考

tRCNN模块对边界框内的内容进行分类和调整边界框坐标。2.1.1候选区域网络候选区域网络RPN可以接受任意尺寸的图片作为输入，并且输出一系列候选目标的位置坐标和表示置信度的分数。输入图像首先经过骨架网络（Backbone）中的全卷积网络后会得到Conv5₃....

本文编号：4054934