基于卷积特征及其多尺度融合的行人检测技术研究的开题报告.docx

基于卷积特征及其多尺度融合的行人检测技术研究的开题报告
开题报告
题目：基于卷积特征及其多尺度融合的行人检测技术研究
一、研究背景和意义
随着计算机和数码相机的普及，各类监控系统得到了广泛应用。行人检测作为监控系统中的重要部分，其在警务、交通管理、商业监察、建筑安全等众多领域都有着广泛的应用和发展前景。传统的行人检测技术通常依赖于手工设计的特征和分类器，其检测性能低下和鲁棒性不强。而基于深度学习的行人检测方法能够自动从大量数据中学习到更有效的特征，具有更好的检测性能和鲁棒性。因此，本文将研究基于卷积特征及其多尺度融合的行人检测技术，以解决传统行人检测技术存在的问题。
二、国内外研究现状
目前，基于深度学习的行人检测方法主要包括基于R-CNN系列、YOLO系列、SSD系列等。其中，R-CNN系列借鉴了图像分割和物体检测等领域的优秀算法，通过提出SelectiveSearch算法生成2000个候选框，再在候选框内提取特征并送入分类器，最终实现对行人检测。虽然R-CNN系列方法能够达到较高的精度，但其速度较慢，不适用于实时性要求较高的场景。
YOLO系列则是借鉴了目标检测中的one-stage方法，通过将整张图片直接输入网络，输出每个框中包含的物体类别和位置信息，最终实现对行人检测。该方法速度较快，但精度较低，特别是对小目标的检测效果不佳。
SSD系列通过使用多尺度特征图在不同层级上进行检测，能够实现更精确的目标检测和分类。然而其多尺度特征的融合方法仍然存在较大的改进空间。
三、研究内容和方案
本文的研究内容主要包括以下三个方面：
（1）卷积特征的选择和优化。选择在Imagenet数据集上训练好的卷积神经网络，在行人检测任务上进行微调，提取更优的行人特征。
（2）多尺度特征的融合方法的研究。采用不同的尺度特征图进行多尺度行人检测，并探究更加有效的特征融合方法。
（3）实验验证。使用扩充后的行人检测数据集进行实验验证，并与已有的行人检测算法进行对比分析，以验证本文提出的方法的有效性和优越性。
四、研究计划和进度安排
（1）前期调研和论文阅读（1个月）
对行人检测领域的研究现状进行了解和分析，阅读相关文献进行调研。
（2）行人检测数据集的筛选和扩充（2个月）
比较当前主流的行人检测数据集，并对数据集进行筛选和扩充，为后续实验做好准备。
（3）算法设计和实现（4个月）
本阶段将重点研究算法设计和实现，旨在实现更有效的行人检测算法。
（4）实验验证及论文撰写（5个月）
使用扩充后的行人检测数据集进行实验验证，对实验结果进行分析和总结，并撰写论文。
五、预期成果
（1）本文提出了一种基于卷积特征及其多尺度融合的行人检测方法，较传统方法具有更好的检测性能和鲁棒性。
（2）本文在行人检测数据集上进行了验证，实验结果表明本文方法能够在不降低精度的前提下提高检测速度和效率。
六、参考文献
1.RenS,HeK,GirshickR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,2016,39(6):1137-1149.
2.RedmonJ,FarhadiA.YOLOv3:Anincrementalimprovement[J].arXivpreprintarXiv:1804.02767,2018.
3.LiuW,AnguelovD,ErhanD,etal.SSD:Singleshotmultiboxdetector[C]//Europeanconferenceoncomputervision.Springer,Cham,2016:21-37.