基于卷积神经网络的行人检测方法研究新进展

深度学习在行人检测领域有重大的应用价值,可及时预测客流,避免安全事故的发生。概述了卷积神经网络的发展历史及其主要组成模块,包括各部分模块的研究现状,介绍了卷积神经网络在行人检测中所需要的行人检测数据库及其应用现状。结果表明:基于卷积神经网络的行人检测方法发展迅速,可大大提高行人检测的准确性和实用性,并在实际问题的应用中可有效分析人流拥堵的状态,从而对行人进行有效的疏散,以避免拥挤踩踏安全事故的发生,具有实际运用的意义。

计算机视觉——行人检测方法改进

该文在阐述行人检测方法改进的主要思路、范围和方法的基础上，进一步对行人检测所使用的统计方法和特征进行了分析比较，提出了基于融合分类器的行人检测算法，并在检测前先进行前景标注，然后再在带标注的图像上进行行人检测。

智能辅助驾驶系统中的行人检测

作为智能交通的重要组成部分,行人检测技术交叉了多种学科和多种系统,已被广泛应用于交通运输领域。为进一步提升其检测效果,文章分析了智能辅助驾驶系统中行人检测的方法及其困境,并进行了改进试验,旨在为改进智能辅助驾驶系统、提升其行人检测效果提供参考。

基于卷积神经网络的行人人头检测方法对比研究

为提高车站客流统计的精度使其可以准确预警,针对传统的客流统计方法步骤繁琐、准确率低等局限性,对基于卷积神经网络的行人人头检测方法进行研究。首先在常州某车站安检站台处通过高位摄像头采集行人的人头数据库;然后通过不同的行人特征提取网络(Inception模块、Resnet、Mobilenet)与Faster R-CNN、SSD、R-FCN等目标检测结构组合的方式来对比探究各种行人人头检测组合模型的准确率和检测速度,并选择最优的行人人头检测方法;最后通过模型试验分析,结果显示Inception-V2特征提取网络与Faster R-CNN目标检测结构组合的行人人头检测模型具有较高的准确率和较优的实时性,这种行人人头检测方法对客流预警具有重要的意义。

面向驾驶辅助系统的车辆与行人安全检测方法研究

智能化交通系统解决方案是处理交通问题的有力手段。目前,已经有越来越多的行人检测方法被提出,多种检测方法已被应用到汽车驾驶辅助系统中。针对目前车辆与行人的安全检测方法存图像的特征大多依靠人工提取得到,需要不断尝试来得到最适合的特征,成本较高的问题,采用对比的方法对传统行人及车辆检测技术进行分析,提出基于深度学习和卷积神经网络的方式构造出分类器来处理车辆的检测问题的应用,得出基于深度学习方式和卷积神经网络的方式构造出分类器,更方便构建出车辆检测系统。