摘 要

行人检测在整个目标检测领域中有着重要的地位，在辅助驾驶、城市安全、智能机器人领域都发挥了显著的作用，保障了行人安全、城市治安，增强了机器人的服务能力。在当今时代洪流之中，人工智能技术正在快速发展，逐步从新生走向成熟，这也使得行人检测可以不拘泥于传统机器学习，而是用深度学习算法。

本文旨在实现一种能快速准确识别行人的算法。全文先从总体上介绍了行人检测技术的功能和意义，阐明了国内外通过深度学习实现行人检测的研究情况，随后分为“卷积神经网络”和“行人检测”两部分阐述了相关的技术原理，包括各个卷积神经网络框架和技术平台、数据集等特点的对比和本文经过对比后的选择，并在最后详细说明了实验从前期环境配置、数据集生成到迁移学习、实现检测的步骤，实现了借助SSD卷积神经网络模型，依托TensorFlow进行训练和迁移学习，并通过大量实验数据汇总出的结论证明了此算法的可行性。

实验表明，基于SSD卷积神经网络的行人检测算法可以有效地检测出图片中的行人，在各种光照强度、遮挡与否、距离远近的情况下均能有效对行人进行检测，效果良好。

关键字：深度学习；SSD；行人检测

Abstract

Pedestrian detection is exceedingly significant role in the whole target detection area. In the current era, artificial intelligence technology is developing rapidly and gradually from newborn to mature, which also enables pedestrian detection to not stick to traditional machine learning with low efficiency and unsatisfactory results, but to use deep learning algorithm.

This paper aims to realize a fast and accurate pedestrian recognition algorithm. All the words firstly in general introduce the function and significance of the pedestrian detection technology,and introduce the research situation of pedestrian detection by deep learning all over the world those years.Then,with the concepts of "convolution neural network" and "pedestrian detection" ,the paper expounds the related technical theory,including the framework of convolutional neural network and its technology platform,setting up the database.The writer contrast them and choose the most suitable ones for the paper.In the final part,the words introduce the experiment in detail and step by step, from the early environment configuration, data sets to migration study, implementation, testing.Lastly achieved with the aid of SSD convolution neural network model, relying on TensorFlow for migration of training and learning, The feasibility of the algorithm is proved by the conclusion of a large number of experimental data.

Based on SSD convolutional neural network,experiments show that,the pedestrian detection algorithm in the picture can effectively detect the pedestrian, and it can effectively detect the pedestrian in the case of various light intensity, whether or not the distance is blocked, and the effect is good.

Keywords: Deep learning；SSD；Pedestrian detection

目录

第1章 绪论 1

1.1 研究背景以及意义 1

1.2 国内外研究现状 1

1.3本文的主要研究内容 2

1.4 本文的组织结构 4

第2章 行人检测原理 5

2.1 概述 5

2.2经典行人检测算法 6

2.3 行人检测数据集及评价标准 9

2.3.1 行人检测数据库 9

2.3.2 行人检测评价标准 9

2.4 本章小结 10

第3章 卷积神经网络 11

3.1 概述 11

3.1.1 深度学习概念和思想 11

3.1.2 卷积神经网络的形成和演变 12

3.2 卷积神经网络的平台和工具 13

3.3 卷积神经网络的区域模型 14

3.3.1 Fast R-CNN模型 14

3.3.2 Faster R-CNN模型 15

3.3.3 YOLO模型 16

3.3.4 SSD模型 16

3.4 本章小结 18

第4章 实验与结果与分析 19

4.1 实验操作 19

4.1.1 开发环境的搭建 19

4.1.2 对象检测API安装与测试 20

4.1.3 行人数据集准备 21

4.1.4 迁移学习配置与训练 23

4.1.5 模型导出与使用 24

4.1.6 OpenCV DNN模块导入模型 26

4.2 实验结果分析 27

4.2.1 训练效果分析 27

4.2.2 检测结果分析 28

4.3 本章小结 39

第5章 总结与展望 30

参考文献 31

致谢 32

第1章 绪论

1.1 研究背景以及意义

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。

行人检测中的“行人”这一目标，应当被独立出来作为一类目标检测问题，而且它已成为计算机视觉的研究热点之一。“行人”这一目标自身性质的特点决定了它与其他的检测目标都有不同，因为它既有刚性物的特点，又有柔性物的特点。行人相对于猫狗、车辆、人脸等其他热门目标对象，在姿态、遮挡等问题上的弹性更大，而这也是检测中的十分困难和需要克服的地方。相对的，与其他需要分类的检测不同，在这一检测中，分类只有行人这一类，相对于需要区分人、动物、植物、物品等得分类算法，需要检测的目标相对单一。