针对畸变行人检测的神经网络

针对视角存在畸变的视场下行人会依据所在视场中的位置表现不同于常规的多种姿态,如何在资源有限的情况下高效高精度的进行行人检测提出一种"多类"目标检测算法,即将视场中不同畸变程度下的行人可视为不同类型的监测目标,并依托当下分类算法中表现优异的Faster R-CNN神经网络框架,在安防监控图像中大大提高了行人检测的精度和速度。算法由训练分类器和检测两部分组成。在训练阶段,添加对数据集做多分类的分类层,即将不同畸变程度的行人定义为不同类的检测对象,很大程度上避免了训练的时候忽略因畸变造成的共性特征,以此提高检测精度。其次,以梯度下降的速度即收敛速度作为我们是否找到精准的多分类"边界"的依据,换句话说,我们定义的多分类的边界是不断变化的。在检测阶段,我们对不同场景实践展示出最终的检测结果。结果证明:不论是速度,精度都证明了多分类思想的正确性。