基于改进的Cascade-RCNN网络的人员检测算法

为解决人员密集情景下行人检测存在大量的目标误检、漏检的情况,本文提出了一种改进的基于Cascade-RCNN的目标检测网络,提高了人员检测的准确率。对目前检测效果较好的Cascade-RCNN做了一些改进:选用ResNeXt101代替ResNet作为骨干网络,以便提取更加充分的特征;为了获得更好的标记框,用kmeans聚类算法得到更符合目标形态的anchor长宽比例,通过WBF算法融合多个模型的结果得到更精确的边界框,同时引入多尺度训练以提高对小尺度目标的检测能力。实验结果表明,在CrowdHuman公开数据集上,用ResNeXt101提取特征其得分提高了3.7%,用kmeans聚类算法生成anchor比例和WBF算法融合多预测框其准确率提升了0.7%和1.2%,最终整体性能较基础Cascade-RCNN提升近6%。