结合多通道模板和卷积神经网络的行人检测方法研究

本文在传统的依靠RGB通道模板和卷积神经网络的行人检测框架下，提出了结合多通道模板和卷积神经

对于营区周界警戒应用而言，行人的入侵检测需要考虑复杂天候的影响，譬如，在夜晚照明不足或者采用红外补光照明的情况下，图像的色彩信息丢失，纹理特征显著性降低，此时基于视频分析方式可靠检测行人目标是非常困难的。现有的行人检测方法所使用的训练和测试数据集都是白天的彩色图像， 导致现有行人检测方法在夜晚低照度场景、雾雪天气等低对比度场景以及其他类似的复杂天候场景的行人检测正确率偏低，尤其是漏检率偏高[1]。这可能导致采用现有方法研制的营区周界警戒系统的安全性大幅下降。为此，本文针对复杂天候条件，提出一种结合多通道模板和卷积神经网络的行人检测方法， 主要工作是融合多通道模板的卷积神经网络计算结果，降低复杂天候条件下依靠单一通道模板可能存在的行人漏检现象。该方法的基本流程如图1 所示，主要包括感兴趣区域提取、多通道模板提取、卷积神经网络计算、融合判决四个部分。详细描述如下。

2. 感兴趣区域提取 目前，基于视频分析的行人检测方法中检测正确率较高的方法基本都是采用深度学习算法实现的， 这类算法的优点是行人检测正确率高，虚警率低。然而，深度学习算法往往比较耗时，运算效率偏低， 这对于营区周界警戒系统来说往往是难以接受的。为了提高行人检测效率，本文首先采用运动侦测技术快速提取视频中的感兴趣区域，仅针对感兴趣区域采用深度学习算法检测行人目标。这样可以在不降低行人检测正确率的基础上大幅提高行人检测效率，对营区周界警戒系统而言很有意义。同时，由于运动侦测可以剔除许多没有运动目标的背景区域，从而也可以降低这些区域引起虚警的可能，进一步降低行人检测的虚警率。

目前，运动侦测方法主要分为三类：时间差分法、背景差分法和光流法。时间差分法是利用图像序列中连续帧(通常为两到三帧)之间的各像素差异来检测运动目标的方法， 比较适用于动态环境。

但对光照变化非常敏感，虚检现象较为严重。同时，对于低速运动目标容易出现孔洞效应。背景差分法是运动侦测最常用的方法之一，其基本原理是从参考背景图像中减去当前帧图像。而且背景图像在一段时间内实时更新，可以适应动态背景的变化。该方法通常要求摄像机静止，对于动摄像机的运动侦测效果不佳。

光流法通过检测由于观察者和参考场景之间的相关运动而产生的光流来检测运动目标，对动摄像机的适应性较好，但运算效率偏低。针对营区周界警戒系统对运算效率和目标完整性要求较高的需求，这里选择背景差分法来进行感兴趣区域的提取。

具体是采用高斯混合模型(Gaussian Mixture Model, GMM)来检测运动的感兴趣目标。