基于深度學(xué)習(xí)的特定場(chǎng)景下的行人檢測(cè)方法研究.pdf

1、行人檢測(cè)一直是計(jì)算機(jī)視覺中，尤其是目標(biāo)檢測(cè)領(lǐng)域的研究重點(diǎn)。而由于環(huán)境的時(shí)變性和多樣性，不同場(chǎng)景之間樣本不滿足同分布，普通場(chǎng)景下訓(xùn)練得到的檢測(cè)器直接應(yīng)用到某一特定場(chǎng)景時(shí)性能會(huì)急劇下降?；谶@樣的背景，本文依據(jù)場(chǎng)景的復(fù)雜程度不同提出了兩種對(duì)應(yīng)的解決方法，主要工作和創(chuàng)新點(diǎn)如下:
　　1)當(dāng)背景比較簡(jiǎn)單時(shí)，容易獲取樣本的標(biāo)定信息，本文提出了一種快速的行人檢測(cè)算法，首先基于結(jié)構(gòu)化局部邊緣模式計(jì)算樣本特征，然后通過積分圖技術(shù)快速計(jì)算分類器分?jǐn)?shù)

2、，從而使得檢測(cè)過程更加高效。實(shí)驗(yàn)表明該方法在保證檢測(cè)精度的情況下提高了行人檢測(cè)的速度。
　　2)當(dāng)場(chǎng)景比較復(fù)雜時(shí)，我們必須要有足夠的樣本支撐去訓(xùn)練一個(gè)魯棒性的行人檢測(cè)器，然而對(duì)所有特定場(chǎng)景中數(shù)據(jù)集都進(jìn)行人工標(biāo)定，是一個(gè)耗時(shí)耗力的工作。針對(duì)這個(gè)問題，本文提出一種在不需要任何人工標(biāo)定的情況下的特定場(chǎng)景行人檢測(cè)算法:在特征學(xué)習(xí)階段，多層卷積稀疏編碼(Multi-stage convolutionalsparse coding)用來學(xué)習(xí)樣

3、本的深層信息，一方面這些信息可以作為先驗(yàn)知識(shí)，以重構(gòu)誤差的方式權(quán)重化普通場(chǎng)景中的訓(xùn)練樣本，指導(dǎo)后面遷移學(xué)習(xí)的進(jìn)行;另一方面無監(jiān)督預(yù)訓(xùn)練扮演著正則化的角色，當(dāng)初始化點(diǎn)限制在較小范圍時(shí)，其作為先驗(yàn)知識(shí)克服了后面有監(jiān)督訓(xùn)練時(shí)候的彌散問題，從而使得優(yōu)化的時(shí)候更加準(zhǔn)確快速。在分類器訓(xùn)練階段，基于置信度編碼MLP(Confidence-encoded MLP)，利用新設(shè)計(jì)的目標(biāo)函數(shù)將普通場(chǎng)景中的樣本遷移到特定場(chǎng)景中進(jìn)行分類器訓(xùn)練，當(dāng)樣本適用特定場(chǎng)景