基于TensorFlow的行人检测文献综述

文献综述

课题研究的现状及发展趋势

行人安全一直以来是交通安全中的焦点问题。行人检测作为目标检测的一个重要分支，在很多方面有着广泛的应用前景。在交通环境中，司机需要了解车辆周围的行人信息。司机根据车辆周围的行人信息，做到规避行人，避免碰撞行人，造成行人伤亡。在人流比较密集的场所，行人检测能够提供某地某时某刻的行人数量，根据行人的分布情况，正确引导行人到正确的逃生出口，最大可能的减少行人的伤亡。

卷积神经网络(Convolution Neural Network，简称 CNN)的广泛应用，让更多的研究者也将 CNN 应用到行人检测。基于 CNN 在识别上面的天然优势，使行人检测进入到了智能的模型训练和识别的时代。Wanli Ouyang，Xiaogang Wang 等人提出了 DeepID-Net，对卷积神经网络(Convolution neural network)和 DPM 模型进行融合，使得行人检测变得更加高效和智能。更多的学者投入到行人检测领域，而且乐此不疲，他们立志于发扬光大，力争在将来的某一天能够行人检测技术服务于全人类。

行人检测未来的发展分为两个方向，会朝着更加智能化和应用性发展。智能化的检测与识别，能够自适应的解决各种场景及各种恶劣环境下的检测。未来行人检测离不开深度学习，以及对行人自身数据的挖掘，融合大数据统计规律性，从中挖掘出更有效的人体特征。在检测与识别算法上，BP、CNN 会更加广泛应用，通过搭建更加高效合理的网络模型，提高自学习性，使得最终的检测与识别更加智能、快捷与高效。

行人检测发展的另一个方向就是应用性，对于未来的智能交通、无人驾驶汽车辅助系统、智能安防系统都离不开高效的行人检测。只有将理论应用于生产与生活之中，才具备其本身的价值，提高行人检测应用的广泛性以及普遍性，才能真正改变我们的生活。

参考文献

[1]车志富，苗振江，王梦思.地铁视频监控系统中的行人检测研究与应用[J].

[2]许言午，曹先彬，乔红.行人检测系统研究新进展及关键技术展望．《 电子学报 》，2008