摘要：通過Caltech數(shù)據(jù)集訓(xùn)練區(qū)域候選網(wǎng)絡(luò)時(shí),發(fā)現(xiàn)其在場(chǎng)景復(fù)雜情況下存在大量的漏檢和誤檢。經(jīng)分析：一是區(qū)域候選網(wǎng)絡(luò)使用VGG網(wǎng)絡(luò)提取待檢測(cè)圖片特征,由于VGG網(wǎng)絡(luò)層數(shù)較少,提取的特征不能夠很好地表達(dá)行人;二是錨邊框的尺度通過手工設(shè)計(jì),沒有利用到行人的尺度先驗(yàn)信息。針對(duì)以上2個(gè)問題,提出了一種改進(jìn)的區(qū)域候選網(wǎng)絡(luò)的行人檢測(cè)方法,首先通過使用分類能力更強(qiáng)的Res Net提取待檢測(cè)圖片特征,然后利用檢測(cè)小網(wǎng)絡(luò)在卷積特征圖上滑動(dòng),預(yù)測(cè)多個(gè)錨邊框區(qū)域是否是行人并對(duì)錨邊框位置和尺度進(jìn)行修正,其中錨邊框尺度通過KMeans算法計(jì)算得到。結(jié)果表明：本文算法在Caltech數(shù)據(jù)集上,比傳統(tǒng)的VJ和HOG方法漏檢率分別低36.23%、27.09%,比基于深度學(xué)習(xí)的方法 Ped Faster RCNN、MRFC＋Semantic和UDN＋漏檢率分別低6.78%、3.73%、1.53%。研究表明本文改進(jìn)的區(qū)域候選網(wǎng)絡(luò)能夠較好的檢測(cè)行人。