《表5 不同算法的性能对比Tab.5 Performance comparison of different algorithms》
表5为各种算法的参数指标:准确率、召回率、F值、检测时间的对比数据。从实验数据可以看出,本文算法对于行人检测任务的准确率略低于RPN+BF方法,高于ACF、DPM、Hyperlearn算法;算法表现出来的检测速度远远高于RPN+BF、DPM、Hyperlearn算法,略低于ACF,但是,本文采用的算法是CNN算法,可以端到端地执行,且它的召回率最为显著。由于本文算法在第一阶段利用YOLOv2检测行人,相比twostage算法,YOLOv2没有候选框提取这一步骤,直接采取锚点进行预测,候选框提取的时间较长,所以YOLOv2这类onestage算法检测速度普遍快,但因为没有采用候选框提取,产生的预测结果一般没有two-stage算法准确。YOLOv2是onestage算法,其特征是图片越小,其检测速度越快,检测质量越低;图片越大,其检测速度越慢,检测质量越高。行人在图片中是小目标,利用级联的Person网络分类和回归过程,对行人进行筛选并回归行人的位置,从而使得召回率和准确率比原始YOLOv2高,本文方法速度比RPN+BF、DPM、Hyperlearn均快,能够达到11.6帧/s(Frames Per Second,FPS)的检测速度,速度达到实时检测的目标,因此,可以认为本文算法的综合性能最佳。
图表编号 | XD0035549100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.10 |
作者 | 陈光喜、王佳鑫、黄勇、詹益俊、詹宝莹 |
绘制单位 | 广西图像图形智能处理重点实验室(桂林电子科技大学)、广西图像图形智能处理重点实验室(桂林电子科技大学)、广东省数学教育软件工程技术研究中心(广州大学)、广西图像图形智能处理重点实验室(桂林电子科技大学)、广西图像图形智能处理重点实验室(桂林电子科技大学) |
更多格式 | 高清、无水印(增值服务) |