·820· 智能系统学报 第17卷 Relu激活 串联+1×1卷积 3×3卷积，扩张率=1 3×3卷积，扩张率=3 3×3卷积，扩张率=3 3×3卷积扩张率=5 直连 1×1卷积 1×3卷积 3×1卷积 3×3卷积 1×1卷积 1×1卷积 1×1卷积 上一层特征 (b)RFB-s结构 图9RFB及RFB-s结构 Fig.9 RFB and RFB-s structure 4系统测试与分析 从图11中可以看出应用该算法P后能够明 显提升图片中物体的整体亮度，恢复图片中物体 4.1中值滤波算法仿真分析 的颜色、纹理、轮廓等细节。以便后续行人检测 测试时使用的测试数据为分别为99,138,30}、 算法能够准确检测人流量。 {138,30,69}、{30,69,108}根据中值滤波算法可求 4.3行人检测算法 得中值为70，具体内容如图10红色标记部分。 本算法从PASCAL VOC2007数据集中单独 图中红色圈所指示，模块输出的中值是69，与仿 挑选出包含行人的图片及标注，作为数据集并进 真实验计算结果相同，中值滤波P核时序正确， 行训练。由于深度神经网络对训练数据要求较 完成算法设计功能。 高，数据集规模越大，包含的目标样本越丰富，模 型的泛化能力及鲁棒性越强。所以本文在训练时 对输入的图像进行了数据扩增操作，通过随机裁 剪、水平翻转、区域随机采样等操作增加了训练 数据。在训练时模型参数设置如下：epoch为 200,batch size为24，图像的输入尺寸为320， 图10中值滤波算法仿真图 IoU阈值为0.5。学习率为0.01，迭代次数为200， Fig.10 Simulation diagram of median filtering algorithm 使用SGD优化器。 4.2同态滤波算法 本文使用通用的P-R曲线图绘制检测结果 同态滤波的处理效果取决于滤波函数的选择 图，即Recall值为0,0.1，…，1.0情况下的Preci-- 及参数的设定，恰当的数据设定能够在压缩削弱 sion值，其中Rcall为召回率即查全率，Prece- 光照分量的同时增强提升反射分量，增强图像的 son为准确率。通过设置不同的置信度阈值来得 对比度，本系统经反复实验确定滤波函数采用高 到PR曲线图。实验结果如图12所示。 斯高通滤波函数，式(7)中参数设置为R=2.5,R= 1.0 0.6,D。=6。图像经算法测试后的对比结果图如 0.8 图11所示。 03 0.2 0.40.6 0.8 1.0 (a)增强前 (b)增强后 回归率 图11同态滤波算法测试结果 图12PR曲线图 Fig.11 Test results of homomorphic filtering algorithm Fig.12 P-R curve diagram(a) RFB 结构 Relu 激活 + 串联+1×1 卷积 上一层特征 直连 3×3 卷积 扩张率=1 1×1 卷积 3×3 卷积 扩张率=3 3×3 卷 5×5 卷 3×3 卷积 扩张率=5 1×1 卷积 1×1 卷积 Relu 激活 上一层特征 直连 + 串联+1×1 卷积 3×3 卷积, 扩张率=1 3×3 卷积, 扩张率=3 3×3 卷积, 扩张率=3 3×3 卷积, 扩张率=5 1×1 卷积 1×3 卷积 3×1 卷积 3×3 卷积 1×1 卷积 1×1 卷积 1×1 卷积 (b) RFB-s 结构 图 9 RFB 及 RFB-s 结构 Fig. 9 RFB and RFB-s structure 4 系统测试与分析 4.1 中值滤波算法仿真分析 测试时使用的测试数据为分别为{99,138,30}、 {138,30,69}、{30,69,108}根据中值滤波算法可求 得中值为 70，具体内容如图 10 红色标记部分。 图中红色圈所指示，模块输出的中值是 69，与仿 真实验计算结果相同，中值滤波 IP 核时序正确， 完成算法设计功能。 图 10 中值滤波算法仿真图 Fig. 10 Simulation diagram of median filtering algorithm 4.2 同态滤波算法 Rh Rl D0 = 同态滤波的处理效果取决于滤波函数的选择 及参数的设定，恰当的数据设定能够在压缩削弱 光照分量的同时增强提升反射分量，增强图像的 对比度，本系统经反复实验确定滤波函数采用高 斯高通滤波函数，式 (7) 中参数设置为 =2.5， = 0.6， 6。图像经算法测试后的对比结果图如 图 11 所示。 (a) 增强前 (b) 增强后 图 11 同态滤波算法测试结果 Fig. 11 Test results of homomorphic filtering algorithm 从图 11 中可以看出应用该算法 IP 后能够明 显提升图片中物体的整体亮度，恢复图片中物体 的颜色、纹理、轮廓等细节。以便后续行人检测 算法能够准确检测人流量。 4.3 行人检测算法 本算法从 PASCAL VOC2007 数据集中单独 挑选出包含行人的图片及标注，作为数据集并进 行训练。由于深度神经网络对训练数据要求较 高，数据集规模越大，包含的目标样本越丰富，模 型的泛化能力及鲁棒性越强。所以本文在训练时 对输入的图像进行了数据扩增操作，通过随机裁 剪、水平翻转、区域随机采样等操作增加了训练 数据。在训练时模型参数设置如下： epoch 为 200，batch size 为 24，图像的输入尺寸为 320， IoU 阈值为 0.5。学习率为 0.01，迭代次数为 200， 使用 SGD 优化器。 本文使用通用的 P-R 曲线图绘制检测结果 图，即 Recall 值为 0，0.1，…，1.0 情况下的 Preci￾sion 值，其中 Rcall 为召回率即查全率，Prece￾sion 为准确率。通过设置不同的置信度阈值来得 到 P-R 曲线图。实验结果如图 12 所示。 回归率 准确率 1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0 图 12 P-R 曲线图 Fig. 12 P-R curve diagram ·820· 智 能 系 统 学 报 第 17 卷