为了提高监控场景中行人检测的准确度,提出了一种基于上下文信息的行人检测方法。该方法将监控场景的上下文信息融入到卷积神经网络中,选择性地学习对行人检测有帮助的上下文信息。首先,利用一个截断的卷积神经网络提取输入图像的多张特征图。然后,将多张特征图通过两个包含上下文信息的卷积层,形成一张掩码图。最后,通过在掩码图上估计行人的边界框,获得行人检测的结果。实验表明,该方法能实现监控场景中准确且快速的行人检测。 提出了一种联合的基于卷积神经网络的行人检测方法，通过将特征提娶形变处理、遮挡处理以及特征分类融合在单个卷积神经网络中，增强了行人特征的判别能力。虽然该类行人检测方法从大量的样本中学习了具有判别能力的行人特征，但是由于没有利用场景的上下文信息，导致行人检测的准确度难以达到监控场景的需求。图1本文方法的检测流程图针对上述行人检测方法的缺点，本文由公司网站张家港大棚弯管机 转摘采集转载中国知网整理! !   http://www.dapengwanguanji.com/场景行人检测方法-电动折弯机数控滚圆机滚弧机张家港倒角机液压倒角机本文提出了一种基于上下文信息的行人检测方法，通过在卷积神经网络中增添特殊的卷积层，选择性地学习上下文信息，提高监控场景中行人检测的准确度。在行人检测过程中，首先，利用单个截断的卷积神经网络从输入图像中提取多张特征图;然后，将多张特征图通过两个包含上下文信息的卷积层，形成一张掩码图，预测行人在输入图像中的相对位置;最后，在掩码图上估计合适的行人边界框。实验表明，本文方法能实现监控场景中准确且快速的行人检测。1基于上下文信息的行人检测方法如图1所示，本文方法的检测流程包含三个步骤:特征提娶位置预测和后处理。在以下小节中描述每个步骤的具体过程。1．1特征提取由于卷积神经网络所提取的特征属于高层特征，能应对一定程度的光照变化和视角变换，因此本文采用一个截断的卷积神经网络提取输入图像的特征。卷积神经网络可以使用常用的模型，例如，等等。本文将一张彩色图像输入到上述模型中，输出为最后一个卷积层的特征图。假定输出特征图表示为{x1，…，xN}，其中，N代表特征图的个数。由于卷积神经网络中包含数个池化层，缩小了特征?场景行人检测方法-电动折弯机数控滚圆机滚弧机张家港倒角机液压倒角机本文由公司网站张家港大棚弯管机 转摘采集转载中国知网整理! !   http://www.dapengwanguanji.com/