基于卷积神经网络的行人检测问题的研究与实现开题报告

1. 研究目的与意义（文献综述）

研究目的及意义

当今世界，人工智能技术已经深入我们的生活，在众多领域发挥着不可被取代的显著作用，而其也成为了世界各国创新发展的新目标和新基因。近年来，在人工智能快速发展的浪潮下，一大批高科技智能产品如雨后春笋般涌现于世，它们蕴含着让计算机或机器人模仿人类的学习行为的意义，从而实现计算机和机器人能够“感受”和“理解”人类布置的任务，从而实现人工智能对人类生活的改变，如智能语音机器人、无人超市、刷脸支付等。而在这其中，机器视觉系统是人工智能领域中一个重要的研究方向，而如何让计算机全面地感知外部世界，并对各种不同情况针对性地进行决策还是一大挑战。

计算机视觉主要包括图像识别、目标检测、目标跟踪和目标分割四个环节实现计算机“看见”世界。图像识别是指通过人们输入的图像和视频信息，对图像和视频中的对象类别进行判断；目标检测是指对图像和视频中的特有信息或特征进行识别和分类；目标跟踪即确定图像和视频中的一特定目标后，能对其进行持续定位；而目标分割则是在目标检测的基础上识别图像的像素。本文会以行人作为研究目标，对行人进行检测。

2. 研究的基本内容与方案

整个方案预期完成的功能是：通过对数据集中行人的图像与视频进行学习后，可以在输入随机街拍图片后分辨出图中是否存在行人，若有行人存在应将全部行人用方框标注出，若没有行人则不做任何工作。具体思路可简要概括为：搭建faster r-cnn卷积神经网络（该网络预计包含5个卷积层与2个池化层用于提取图像特征），将行人数据库导入搭建好的卷积神经网络后令网络进行“学习”，拥有分辨行人的能力，其中卷积神经网络的搭建在tensorflow神经网络框架中实现，行人数据库采用caltech数据集，然后采用softmax分类算法实现行人识别分类。方案结构图如图1所示。

本方案拟采用更快区域卷积网络faster r-cnn的模型结构作为基本检测器。faster r-cnn采用了区域推荐网络，可以与检测网络共享整幅图像的卷积特征，从而产生几乎无代价的区域推荐。由图一可以看出，faster r-cnn由两个模块组成，第一个模块用来产生区域推荐的rpn，第二个模块是使用推荐区域的faster r-cnn检测器。整个系统是一个独立统一的目标检测网络，其中rpn模块采用“注意力”机制，告诉faster r-cnn应该看什么地方。faster r-cnn可以在一个广大的尺度和高宽比范围内检测目标。

rpn在每个滑动窗口位置要同时预测多个区域推荐，把最大可能的推荐数记为k。因此，reg层用4k个输出来编码k个边框坐标，cls层输出2k个分数估计每个推荐是否为对象的概率。这k个推荐是相对k个参考边框来参数化的，称为锚点。一个锚点位于当前滑动窗口的中心，并配有尺度和高宽比。默认情况下采用3个尺度(比如128²、256²和512²)和3个高宽比(比如1:1、1:2和2:1)，每个滑动位置有k=9个锚点。为了训练prn，需要给每个锚点分配一个二值类别标签，以说明它是否为对象。被赋予正标签的锚点有两类情况：第一类是与真实边框的交并比最高的锚点，第二类是与任意一个真实边框交并比都高于0.7的锚点。

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

4. 参考文献（12篇以上）