《表5 不同算法的性能对比Tab.5 Performance comparison of different algorithms》

  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

《基于级联网络的行人检测方法》

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

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。