2019-08-14 深度学习框架之一 - R-CNN 行人检测

本文章内容：

一. 深度学习框架之一 - R-CNN 行人检测

二.R-CNN算法概述

一. 深度学习框架之一 - R-CNN 行人检测

本文主要探讨深度学习框架之一RCNN用于行人检测,判断行人的位置以及多少以及有无。

   在ADAS智能驾驶辅助系统中，为了能够区分道路上的行人和车辆，以及其它的物体，通常需要把行人检测出来，从而辅助驾驶，为正确和准确的导航提供判断依据。目前深度学习在ADA智能驾驶辅助系统中的研究和应用就势在必行。

R-CNN的框架如下：

   原图--》候选区域生成--》对每个候选区域利用深度学习网络进行特征提取--》特征送入每一类SVM分类器中判别--》回归器修正候选框位置。

R-CNN算法整体思想

总体分为 四个步骤（下文讲逐步骤分析）：

1.候选区域生成: 一张图像生成1K~2K个候选区域 （采用Selective Search 方法-选择性搜索）

2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN）

3.类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类

4.位置精修： 使用回归器精细修正候选框位置

R-CNN源码链接：https://github.com/rbgirshick/rcnn

下图是一个Demo.

有行人时：

无行人时：

二.R-CNN算法概述

R-CNN算法整体思想

总体分为 四个步骤（下文讲逐步骤分析）：

1.候选区域生成: 一张图像生成1K~2K个候选区域 （采用Selective Search 方法-选择性搜索）

2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN）

3.类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类

4.位置精修： 使用回归器精细修正候选框位置

R-CNN的介绍：深度学习目标检测系列：RCNN系列算法图解-云栖社区-阿里云

R-CNN源码链接：https://github.com/rbgirshick/rcnn

R-CNN算法四个步骤的具体介绍：

参考文章：https://blog.csdn.net/m0_37970224/article/details/85238603

                  https://blog.csdn.net/m0_37970224/article/details/86022390

                  https://blog.csdn.net/m0_37970224/article/details/85291916

                  https://blog.csdn.net/m0_37970224/article/details/86022408