In dichten Szenen sind die vollständige oder teilweise Verdeckung des Fußgängerkörpers sowie unterschiedliche Fußgängerskalierungen die Hauptgründe für sinkende Genauigkeit bei der Fußgängererkennung. Da der Kopfbereich von Fußgängern weniger verdeckt ist, kann er zur Unterstützung der Erkennung genutzt werden. In diesem Zusammenhang wurde der Faster R-CNN-Algorithmus verbessert und ein mehrskaliger Fußgängererkennungsalgorithmus vorgeschlagen, der auf der Kombination von Kopf- und Ganzkörperinformationen basiert. Zunächst wurde ein rekursives Netzwerk zur Extraktion mehrskaliger Merkmale mit integriertem Koordinatenaufmerksamkeitsmechanismus entwickelt, um reiche und detaillierte mehrskalige Merkmalsinformationen zu erfassen und die Sensitivität des Netzwerks für kleiner Maßstab Fußgängerpositionen zu erhöhen. Anschließend generiert das Regionsvorschlagsnetzwerk gleichzeitig Kopf- und Ganzkörperkandidatenrahmen, und zwei Erkennungszweige für Kopf und Ganzkörper werden für die gemeinsame Erkennung aufgebaut. Schließlich wurde ein adaptiver gemeinsamer algorithmus zur nicht-maximalen Unterdrückung vorgeschlagen, der starke Überlappungen von Erkennungsrahmen verhindert, übermäßig unterdrückt zu werden, und gleichzeitig Fehlalarme aus beiden Erkennungszweigen filtert, wodurch die Erkennungsgenauigkeit weiter verbessert wird. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Algorithmus im Vergleich zum Basisalgorithmus die durchschnittliche Präzision im CrowdHuman-Datensatz um 2,9 % und die log-mean-Miss-Rate um 4 % verbessert, sowie die log-mean-Miss-Rate zweimalig auf den kleinen Teildatensätzen des TJU-DHD-pedestrian-Datensatzes um jeweils 2,4 % und 2,2 % senkt, was die Wirksamkeit des vorgeschlagenen Algorithmus in dichten Szenen belegt.

Fußgängererkennung; Gemeinsame Erkennung; Mehrskalige Merkmalsfusion; Aufmerksamkeitsmechanismus; Nachbearbeitungsoptimierung