传统的ACF+AdaBoost行人检测框架在达到较为理想的检测率时,误检率也会迅速增高,难以满足实际需求。针对该问题,本文提出了一种自适应加权的Hash码特征,用来增加行人特征的多样性。在此基础上,通过级联一个辅助网络降低系统的误检率,该...传统的ACF+AdaBoost行人检测框架在达到较为理想的检测率时,误检率也会迅速增高,难以满足实际需求。针对该问题,本文提出了一种自适应加权的Hash码特征,用来增加行人特征的多样性。在此基础上,通过级联一个辅助网络降低系统的误检率,该辅助网络采用了浅层的CNN结构,在保证系统实时性的前提下对AdaBoost分类器的分类结果进行二次分类。在INRIA数据中进行检测实验的结果表明,改进的Hash码简单、易算,对行人的表征能力强,在不影响实时性的前提下,把系统的MR-FPPI(Miss rate against false positives per image)从17.05%降低到16.31%。系统级联辅助CNN后系统的MR-FPPI降低到16.93%,而加入Hash码通道,且级联辅助CNN后,系统的MR-FPPI降低到15.96%,检测性能得到较为明显的提高。展开更多
文摘传统的ACF+AdaBoost行人检测框架在达到较为理想的检测率时,误检率也会迅速增高,难以满足实际需求。针对该问题,本文提出了一种自适应加权的Hash码特征,用来增加行人特征的多样性。在此基础上,通过级联一个辅助网络降低系统的误检率,该辅助网络采用了浅层的CNN结构,在保证系统实时性的前提下对AdaBoost分类器的分类结果进行二次分类。在INRIA数据中进行检测实验的结果表明,改进的Hash码简单、易算,对行人的表征能力强,在不影响实时性的前提下,把系统的MR-FPPI(Miss rate against false positives per image)从17.05%降低到16.31%。系统级联辅助CNN后系统的MR-FPPI降低到16.93%,而加入Hash码通道,且级联辅助CNN后,系统的MR-FPPI降低到15.96%,检测性能得到较为明显的提高。