《表1 经典HOG+SVM对不同数据库的检测结果Tab.1 Classical HOG+SVM Results for Different Dataset》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进深度卷积网络的铁路入侵行人分类算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

INRIAPerson和本文的铁路行人样本库的特征及HOG+SVM方法应用于两个样本库的测试结果如表1所示。针对INRIAPerson样本库，HOG+SVM的正检率为94.35%，测试时间为15.79s；但该方法在铁路行人样本库中的正检率仅为85.62%，检测时间为12.11s。由此可见，经典的HOG+SVM行人检测方法对INRI-APerson数据库能够取得较高的准确率，但对本文建立的铁路行人样本库检测率偏低，究其原因主要是INRIAPerson数据库虽然包含了光照变化的样本图像，但仍然是较为清晰的图片，图像质量和清晰度都较高，而铁路场景下获取的报警图像多为夜间光线干扰图片，图片清晰度不高，场景更复杂，给再分类带来了难度。两个样本库中两张典型低照度图片如图6所示，明显可以看出铁路场景图片的清晰度更差，因此，需要选择更好的算法以进一步提高铁路行人样本库的检测准确率。