文献类型：期刊文章

作　　者：朱雅乔[1] 史延雷[2] 马幪朔[3] 岳峰[1] 尚志武[4]

ZHU Ya-qiao;SHI Yan-lei;MA Meng-shuo;YUE Feng;SHANG Zhi-wu(Tianjin Sino-German University of Applied Sciences, School of Aviation and Aerospace, Tianjin 300350, China;China Automotive Technology & Research Center (CATARC), Automotive Engineering Research Institute (AERI), Tianjin 300300, China;School of Automobile and Traffic Engineering, Wuhan University of Science and Technology, Wuhan 430065, China;School of Mechanical Engineering, TianGong University, Tianjin 300387, China)

机构地区：[1]天津中德应用技术大学航空航天学院,天津300350 [2]中汽研(天津)汽车工程研究院有限公司中汽中心汽车工程研究院,天津300300 [3]武汉科技大学汽车与交通学院,武汉430065 [4]天津工业大学机械工程学院,天津300387

出　　处：《科学技术与工程》

基　　金：天津市企业科技特派员项目(19JCTPJC43100);天津市重点研发项目(19YFZCGX00780)。

年　　份：2021

卷　　号：21

期　　号：19

起止页码：8079-8085

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：针对高分辨率图像下目标所占面积小,检测效果较低、实时性较差的问题。提出了一种基于LDCF-ResNet50的深度学习模型检测方法。以行人检测为例说明此方法的有效性。首先基于局部无关通道特征的预测提议区域,对行人潜在区域粗检测。然后,设计候选区域合并和扩展方法,将合并后的区域用于后面的ResNet-50神经网络。其次,设计了一个合适的ResNet-50网络,用于精确检测该区域。最后将ResNet-50网络的检测结果映射到原始图像中,输出检测结果。为了验证本文所提方法的有效性,在清华-戴姆勒数据库平台上对高分辨率图像进行实验验证。实验结果表明,所提出方法能够有效地检测行人。与主流的算法(包括Faster R-CNN,YOLOv3和SSD)相比,本文方法对行人检测的平均精度分别提高了4.07%、17.79%和31.45%。

关 键 词：高分辨率 行人检测 深度学习  LDCF-ResNet50方法  

分 类 号：TP242]