Resumen

Para resolver el problema de la baja precisión en la detección de peatones de cámaras de tráfico reales y la alta tasa de detección perdida de peatones pequeños, este artículo combina una red neuronal de autoencodificación y AdaBoost para construir un algoritmo rápido de detección de peatones. Enfrentándose al problema de que un solo mapa de características de salida de alto nivel tiene una capacidad insuficiente para expresar las características de los peatones y los métodos existentes no pueden seleccionar de manera efectiva las características multilevel apropiadas, este artículo mejora la estructura tradicional del algoritmo AdaBoost, es decir, se reajustan la fórmula de actualización de peso de muestra y la fórmula de salida del clasificador fuerte, y se propone el algoritmo de clasificación AdaBoost-DBN de dos entradas. Además, ante el problema de que el video fusionado no se reproduce de manera fluida, este artículo considera la información de movimiento del objeto del video, realiza interpolación de píxeles mediante compensación de movimiento y restablece la

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Problema; Detección de peatones; Cámaras de tráfico reales; Red neuronal de autoencodificación; AdaBoost; Algoritmo
• Keywords:Problem; Pedestrian detection; Real traffic cameras; Autoencoding neural network; AdaBoost; Algorithm