结合并行特征传递深度学习网络的矿井行人检测

矿井行人检测是实现机车无人驾驶的关键技术之一,传统视觉特征提取算法无法有效地应对矿井巷道环境复杂、照明恶劣等问题.为此提出了一种基于并行特征传递的矿井行人检测深度学习网络,以保证检测的高准确率与强实时性.首先阐述了网络的结构,包括并行工作的行人辨识模块和行人定位模块,以及两者之间的特征传递块;其中行人辨识模块粗略调整锚点框位置与大小且过滤负锚点,行人定位模块进一步提升回归精度并给出预测结果特征,传递块将行人辨识模块的不同层的特征转换成行人定位模块所需特征.其次采用数据集扩增、数据增强和难例挖掘等措施优化训练过程.最后给出基于安徽桃源与新集矿井采集视频的实验结果.实验数据表明,所提算法以37帧/s的实时处理速率,其平均精度仍可保持63.4%,与YOLOv1算法相比,平均精度提高9.2%,与M2Det算法相比,提高22帧/s.