0  引言

行人檢測是計算機視覺領域的一個重要方向，在自動駕駛、智能監(jiān)控和智能機器人等方面有著廣泛應用。然而，環(huán)境的復雜性、行人姿態(tài)的多樣性和行人遮擋等因素，使得行人檢測極具挑戰(zhàn)性。

傳統(tǒng)的行人檢測方法主要以DALAL N和TRIGGS B等提出的梯度方向直方圖（Histogram of Oriented Gradient, HOG）和支持向量機（Support Vector Machine, SVM）結(jié)合的算法為代表^［1］，但這類方法基于手工設計特征，特征表達能力有限，難以適應復雜的場景。近年來，隨著深度學習的快速發(fā)展，越來越多的研究者試著用該類方法去解決行人檢測問題。在文獻［2］中，SERMANET P等人首次將深度學習應用于行人檢測，提出了基于卷積稀疏編碼的ConvNet模型。文獻［3］將特征提取、變形處理、遮擋處理和分類統(tǒng)一于一個深度學習框架JointDeep進行聯(lián)合學習。文獻［4］和［5］將行人檢測與語義分割任務聯(lián)系起來，實現(xiàn)了行人檢測和語義分割的聯(lián)合優(yōu)化。而隨著目標檢測技術的發(fā)展，涌現(xiàn)出了很多優(yōu)秀的目標檢測框架，如R-CNN（Region-based Convolutional Neural Network）^［6］、Fast R-CNN^［7］和Faster R-CNN^［8］等。有些研究者致力于改進通用的目標檢測框架，使其適用于行人檢測。在文獻［9］中，作者將Fast R-CNN進行改進，提出了具有尺度感知的行人檢測模型，該模型分為大小兩個子網(wǎng)絡，分別檢測不同尺度的行人。文獻［10］將Faster R-CNN框架中的區(qū)域建議網(wǎng)絡（Region Proposal Network, RPN）與級聯(lián)的隨機森林分類器結(jié)合，達到當時最好的檢測效果。

雖然基于深度學習的行人檢測取得了很多突破性的進展，但對小尺度行人的檢測效果并不理想。這主要是由于卷積神經(jīng)網(wǎng)絡的一系列卷積池化操作，使得小尺度行人的特征圖變得更小，分辨率低，信息丟失嚴重，導致檢測失敗。而在智能監(jiān)控和自動駕駛等應用場景，小尺度行人占了很大的比重，以車載攝像頭拍攝的Caltech^［11］數(shù)據(jù)集為例，高度在20~80像素的行人超過了總數(shù)的70%。所以小尺度行人的檢測非常重要。

本文在Faster R-CNN框架的基礎上，對RPN進行了改進，使其適用于行人檢測；并提出了一種多層次特征提取和融合方式，用來提高小尺度行人的檢測效果。

1  相關知識

1.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是受到貓的視覺皮層細胞工作機制的啟發(fā)而提出的^［12］。CNN一般由卷積層、池化層和全連接層組成。在卷積層中，下一層的神經(jīng)元只與上一層的部分神經(jīng)元相連接，同一特征相關的神經(jīng)元之間通過卷積核來共享權值。相比于全連接神經(jīng)網(wǎng)絡，CNN大大減少了參數(shù)的數(shù)量并且降低了過擬合的概率。而池化層相當于對輸入圖像不同位置特征進行聚合統(tǒng)計，能夠進一步減少計算量，簡化模型。CNN在特征提取方面表現(xiàn)出了巨大的優(yōu)勢，被廣泛應用于圖像識別、目標檢測和場景分割等領域，并取得了很多突破性的進展。

1.2  Faster R-CNN目標檢測框架

Faster R-CNN是最為經(jīng)典的基于候選區(qū)域的目標檢測框架之一，它是R-CNN和Fast R-CNN框架的升級版?；诤蜻x區(qū)域的檢測方法一般包含三個部分：候選區(qū)域的選擇、特征提取和分類器分類。R-CNN用選擇性搜索（Selective Search）算法^［13］來生成候選區(qū)域，用CNN提取特征，SVM作為分類器來檢測目標?？梢钥闯鯮-CNN的訓練是分階段的，步驟繁瑣，而且每個候選區(qū)域都要用CNN提取特征，導致重復計算。Fast R-CNN改進了R-CNN框架，它將Selective Search算法產(chǎn)生的候選區(qū)域的坐標映射到最后一層卷積層，然后用感興趣區(qū)域采樣層（Regions of Interest Pooling Layer, ROI-Pooling層）將這些區(qū)域分別下采樣為7×7的特征向量，再輸入后續(xù)的全連接層。Fast R-CNN將特征提取和分類器分類都用CNN來實現(xiàn)，而且加入了分類和邊框回歸的多任務學習機制，進一步簡化了模型。在此基礎上，F(xiàn)aster R-CNN提出了RPN，用CNN來替代Selective Search生成候選區(qū)域，并且RPN和檢測網(wǎng)絡共享前端的卷積層。Faster R-CNN將候選區(qū)域的選擇、特征提取和分類器分類都統(tǒng)一到了一個深度學習框架，實現(xiàn)了端到端的快速目標檢測。

通用目標檢測和行人檢測之間有一定的關聯(lián)性，深度神經(jīng)網(wǎng)絡在目標檢測任務中學習到的知識可以遷移到行人檢測。對經(jīng)典的訓練充分的深度神經(jīng)網(wǎng)絡進行改進和微調(diào)，使其適用于新的任務，是深度學習中常用的手段之一。本文以Faster R-CNN目標檢測框架為基礎，根據(jù)行人檢測任務的特點，對其進行了改進，提出了兼顧小尺度行人檢測的網(wǎng)絡SP-CNN（Convolutional Neural Network for Small-size Pedestrian）。

2  檢測方法

2.1 網(wǎng)絡結(jié)構

本文提出的SP-CNN的網(wǎng)絡架構如圖1 所示，它包含兩個部分：行人區(qū)域建議網(wǎng)絡和檢測網(wǎng)絡。行人區(qū)域建議網(wǎng)絡是在對RPN進行改進的基礎上提出的。在檢測網(wǎng)絡部分，本文從不同的層提取不同層次的特征并進行融合，提出了適用于行人檢測的ROI-Pooling方式。如圖1所示，conv1~conv5是VGG-16^［14］網(wǎng)絡的一部分，是行人區(qū)域建議網(wǎng)絡和檢測網(wǎng)絡的共享卷積層部分。行人區(qū)域建議網(wǎng)絡在RPN的基礎上進行了改進，可以生成不同大小的行人參照框，進而生成候選區(qū)域。這些候選區(qū)域的坐標再映射到卷積特征層，用來提取相應位置的特征。SP-CNN將這些候選區(qū)域坐標映射至conv3_3、conv4_3和conv5_3多個卷積層的特征圖上，用ROI-Pooling層將對應位置的特征采樣為5×10（區(qū)別于Fast R-CNN的7×7）的特征圖。由于不同層的特征尺度不同，SP-CNN引入了L2范數(shù)歸一化層^［15］對其進行歸一化，然后用連接層將不同層的特征進行連接和融合。之后用1×1的卷積層將其轉(zhuǎn)化為512×5×10的格式輸入到后續(xù)的全連接層。由于SP-CNN是在Faster R-CNN的基礎上提出的，更多細節(jié)可參考文獻^［8］。

2.2 行人區(qū)域建議網(wǎng)絡

在RPN中，候選區(qū)域是根據(jù)“錨”（Anchor）機制提供的參照框生成的^［8］，參照框的設計對于候選區(qū)域的生成和后續(xù)的訓練至關重要。在Faster R-CNN中，RPN能夠提供3種尺度（128, 256, 512）和3種寬高比（1:1, 1:2, 2:1）共9種大小的參照框。顯然，這些參照框并不適用于行人檢測任務，因為行人的尺度分布范圍比較大而其寬高比較為固定。本文就是從這方面出發(fā)改進了RPN，使其適用于行人檢測，改進后的RPN稱為行人區(qū)域建議網(wǎng)絡。行人區(qū)域建議網(wǎng)絡將提供1種寬高比和12種尺度共12種大小的參照框。本文將寬高比設置為行人平均寬高比0.41^［11］。行人區(qū)域建議網(wǎng)絡提供12種尺度的參照框，但具體的尺度大小可根據(jù)數(shù)據(jù)集中行人高度分布來調(diào)整。本文在Caltech數(shù)據(jù)集上進行實驗，而Caltech中行人高度主要分布在20~128像素之間，故本文設計的參照框的高度從25像素起，以1.25倍遞增，得到12種尺度的行人參考框。圖2展示了RPN提供的參照框和行人區(qū)域建議網(wǎng)絡提供的參照框，可以看出，行人區(qū)域建議網(wǎng)絡的參照框可以和行人進行更好的對齊，進而提供質(zhì)量更高的候選區(qū)域。

2.3  多層次特征融合

2.3.1 多層次特征的選擇

Faster R-CNN只從conv5_3卷積層提取候選區(qū)域特征，這對于小尺度行人來說，所提供的特征信息是遠遠不夠的。為此，本文提出了多層次特征融合策略來豐富行人特征信息。低層特征分辨率高，對精準定位有幫助，而高層特征包含豐富的語義信息，對目標識別有幫助，將低層特征和高層特征相融合，有利于小尺度行人的檢測。但隨之而來的一個問題是選擇哪幾個層去進行融合。在Fast R-CNN中，包含conv1~conv5共5個卷積部分，每個部分包含2~3個卷積層，并且同一部分的卷積層特征圖分辨率相同。考慮到在特征圖分辨率相同的情況下，越深層的特征其語義信息越豐富，故本文將conv2_2、conv3_3、conv4_3和conv5_3作為特征融合的候選層?？紤]到過多的底層信息可能會降低融合后特征的效果，本文將從conv3_3、conv4_3和conv5_3來提取特征進行融合。

2.3.2 改進的ROI-Pooling

確定了選擇哪些層的特征進行融合后，下一步則是要從這些層提取特征。在Faster R-CNN中，映射在卷積層的不同大小的候選區(qū)域需要提取為同樣尺寸的特征才能輸入后續(xù)的全連接層。Faster R-CNN是通過7×7的ROI-Pooling來實現(xiàn)這一操作的。但7×7的ROI-Pooling并不適用于行人檢測任務，對于映射在conv5_3層的寬或高小于7的候選區(qū)域，它會直接拋棄，使得很多小尺度的行人得不到訓練，進而導致小尺度行人檢測效果不好。在SP-CNN中，結(jié)合行人的特點，改進了ROI-Pooling方式，將映射在不同層特征圖上的候選區(qū)域分別下采樣為5×10的特征圖。改進的ROI-Pooling的采樣機制為：對于輸入到ROI-Pooling層的特征圖，首先將其劃分為5×10個塊，然后對每個塊取最大值，得到ROI-Pooling之后的5×10的特征圖。可以看出，改進的ROI-Pooling充分考慮了行人的形狀和尺度等因素。

2.3.3 歸一化

在深度卷積神經(jīng)網(wǎng)絡中，來自不同層的特征圖往往具有不同大小的激活值，如果直接進行特征融合，數(shù)值比較大的特征就會占據(jù)主導地位，從而影響特征融合的效果。本文引入了L2范數(shù)歸一化層^［15］對不同層的特征進行了歸一化，將其激活值的大小統(tǒng)一到一個數(shù)量級，從而在特征融合中獲得平等的地位。假設L2范數(shù)歸一化層的輸入為X，經(jīng)過L2范數(shù)歸一化層之后，輸出為  ，其中，m為縮放系數(shù)，為X的二范數(shù)。在SP-CNN中，從不同層經(jīng)過5×10的ROI-Pooling得到的特征圖首先要經(jīng)過L₂范數(shù)歸一化，然后用連接層將其連接聚合，再通過1×1的卷積進行融合和通道調(diào)整，最后輸入到全連接層進行分類。

3  實驗結(jié)果與分析

考慮到Caltech數(shù)據(jù)集中小尺度行人比較多，且環(huán)境比較復雜，具有挑戰(zhàn)性，故本文在Caltech上進行實驗。

行人檢測算法一般用漏檢率（Miss Rate, MR）和平均每張圖片上錯誤正例（False Positive Per Image, FPPI）的關系曲線來評估。本文用FPPI的對數(shù)在區(qū)間［10-2, 100］上時MR的對數(shù)平均值作為量化評估標準，簡稱為對數(shù)平均漏檢率（Log-average Miss Rate, LAMR）。本文先用文獻［11］提出的Reasonable 指標來衡量算法的綜合性能，然后用行人高度在20~80像素的行人檢測結(jié)果來衡量算法對小尺度行人的檢測效果。Reasonable 指標只考慮高度大于50像素且遮擋小于35%的行人。

3.1 行人區(qū)域建議網(wǎng)絡的作用

相比于RPN，行人區(qū)域建議網(wǎng)絡可以提供更適合行人的參照框，從而生成質(zhì)量更高的候選區(qū)域。表1顯示了在Reasonable 指標下，行人區(qū)域建議網(wǎng)絡對檢測結(jié)果的影響。

3.2  不同層次特征融合的影響

多層次特征融合的一個首要問題就是選擇哪些層的特征進行融合，表2顯示了SP-CNN不同層特征融合對行人檢測結(jié)果的影響，證明了SP-CNN網(wǎng)設計的合理性。

3.3  與其他行人檢測算法的比較

為了驗證所提算法的有效性，本文將SP-CNN與一些具有代表性的行人檢測算法如HOG^［1］、ACF^［15］、SpatialPooling^［16］、JointDeep^［3］和Faster R-CNN等進行了比較。實驗分為Reasonable 指標下的行人檢測和小尺度行人檢測兩個部分，它們分別用來評估算法的綜合性能和對小尺度行人的檢測效果。

3.3.1 在Reasonable 指標下的比較

如圖3所示，在Reasonable 指標下，SP-CNN取得了優(yōu)于其他算法的檢測效果。SP-CNN的對數(shù)平均漏檢率低至14.37%，表明SP-CNN的算法綜合性能很好。特別是與Faster R-CNN相比，SP-CNN的對數(shù)平均漏檢率降低了約10%，充分體現(xiàn)了本文對Faster R-CNN所做改進的有效性。

3.3.2 小尺度行人檢測的比較

圖4為不同行人檢測算法在小尺度行人（高度在20~80像素）檢測上的結(jié)果比較。SP-CNN的對數(shù)平均漏檢率為48.52%，比Faster R-CNN低18.92%，而其他算法的對數(shù)平均漏檢率都超過了70%。由此可知，SP-CNN的結(jié)果遠優(yōu)于其他方法，表明了SP-CNN在小尺度行人檢測方面的優(yōu)越性。

4  結(jié)論

本文將Faster R-CNN通用目標檢測框架遷移到了行人檢測領域，在RPN的基礎上，提出了行人區(qū)域建議網(wǎng)絡，同時為了進一步提高小尺度行人檢測效果，提出了一種適合于行人檢測的特征提取和融合方式。實驗結(jié)果表明，本文的方法具有良好的綜合性能，并且在小尺度行人檢測上有明顯的優(yōu)勢。

參考文獻

［1］ DALAL N, TRIGGS B. Histograms of oriented gradients for human detection［C］//IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005. IEEE, 2005, 1: 886-893.

［2］ SERMANET P, KAVUKCUOGLU K, CHINTALA S, et al. Pedestrian detection with unsupervised multi-stage feature learning［C］//2013 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2013: 3626-3633.

［3］ OUYANG W, WANG X. Joint deep learning for pedestrian detection［C］//2013 IEEE International Conference on Computer Vision (ICCV), IEEE, 2013: 2056-2063.

［4］ TIAN Y, LUO P, WANG X, et al. Pedestrian detection aided by deep learning semantic tasks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015: 5079-5087.

［5］ COSTEA A D, NEDEVSCHI S. Semantic channels for fast pedestrian detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016: 2360-2368.（下轉(zhuǎn)第57頁）

［6］ GIRSHICK R, DONAHUE J, DARRELL T, et al. Region-based convolutional networks for accurate object detection and segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(1): 142-158.

［7］ GIRSHICK R. Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision (ICCV). IEEE, 2015: 1440-1448.

［8］ REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks［C］//Advances in Neural Information Processing Systems, 2015: 91-99.

［9］ LI J, LIANG X, SHEN S M, et al. Scale-aware fast R-CNN for pedestrian detection［J］. IEEE Transactions on Multimedia, 2018, 20(4): 985-996.

［10］ ZHANG L, LIN L, LIANG X, et al. Is faster R-CNN doing well for pedestrian detection?［C］//European Conference on Computer Vision. Springer, Cham, 2016: 443-457.

［11］ DOLLAR P, WOJEK C, SCHIELE B, et al. Pedestrian detection: an evaluation of the state of the art［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(4): 743-761.

［12］ LECUN Y, BOSER B E, DENKER J S, et al. Handwritten digit recognition with a back-propagation network［C］//Advances in Neural Information Processing Systems, 1990: 396-404.

［13］ UIJLINGS J R R, SANDE K E A, GEVERS T, et al. Selective search for object recognition［J］. International Journal of Computer Vision, 2013, 104(2): 154-171.

［14］ SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［J］. arXiv preprint arXiv:1409.1556, 2014.

［15］ LIU W, RABINOVICH A, BERG A C. Parsenet: looking wider to see better［J］. arXiv preprint arXiv:1506.04579, 2015.

［16］ DOLLR P, APPEL R, BELONGIE S, et al. Fast feature pyramids for object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(8): 1532-1545.

（收稿日期：2018-03-26）

作者簡介：

郭愛心（1991-），女，碩士研究生，主要研究方向：深度學習、行人檢測。

殷保群（1962-），男，博士，教授，主要研究方向：離散事件動態(tài)系統(tǒng)、深度學習。

李運（1993-），男，碩士研究生，主要研究方向：深度學習、網(wǎng)絡壓縮。