不变性全局稀疏轮廓点表征的运动行人检测神经网络

doi:10.11772/j.issn.1001-9081.2024040561

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (4): 1271-1284.DOI: 10.11772/j.issn.1001-9081.2024040561

• 多媒体计算与计算机仿真 • 上一篇下一篇

不变性全局稀疏轮廓点表征的运动行人检测神经网络

赵轻轻¹^,², 胡滨¹^,²^,³()

^1.公共大数据国家重点实验室（贵州大学），贵阳 550025
^2.贵州大学计算机科学与技术学院，贵阳 550025
^3.贵州大学人工智能研究院，贵阳 550025

收稿日期:2024-05-07 修回日期:2024-09-24 接受日期:2024-09-26 发布日期:2025-04-08 出版日期:2025-04-10
通讯作者: 胡滨
作者简介:赵轻轻（1995—），女，贵州仁怀人，硕士研究生，主要研究方向：计算智能、计算机视觉；
基金资助:
国家自然科学基金资助项目(62066006)

Moving pedestrian detection neural network with invariant global sparse contour point representation

Qingqing ZHAO¹^,², Bin HU¹^,²^,³()

^1.State Key Laboratory of Public Big Data （Guizhou University），Guiyang Guizhou 550025，China
^2.College of Computer Science and Technology，Guizhou University，Guiyang Guizhou 550025，China
^3.Artificial Intelligence Research Institute，Guizhou University，Guiyang Guizhou 550025，China

Received:2024-05-07 Revised:2024-09-24 Accepted:2024-09-26 Online:2025-04-08 Published:2025-04-10
Contact: Bin HU
About author:ZHAO Qingqing， born in 1995， M. S. candidate. Her research interests include computing intelligence， computer vision.
Supported by:
This work is partially supported by National Natural Science Foundation of China(62066006)

摘要/Abstract

摘要：

行人作为非刚性物体，对它的视觉特征进行有效的不变表示是提高识别效果的关键。在自然视觉场景中，运动行人通常会发生尺度、背景、姿态等变化，这对用现有技术提取这些不规则特征造成阻碍。针对该问题，基于哺乳动物视网膜神经结构特性，探究运动行人不变性识别问题，并提出一种适用于视觉场景的运动行人检测神经网络（MPDNN）。MPDNN包括2个神经模块：突触前网络和突触后网络。其中，突触前网络感知表征运动目标的低阶视觉运动线索，并提取目标的二值化视觉信息；突触后网络借助生物视觉系统中的稀疏不变响应特性，利用目标轮廓在连续改变形状后较大凹凸区域之间的位置关系不变特性，从低阶运动线索中编码平稳变化的视觉特征以构建行人不变表征。实验结果表明，MPDNN在公共数据集CUHK Avenue与EPFL上达到了96.96%的跨域检测准确率，比SOTA （State Of The Art）模型高4.52个百分点；在尺度、运动姿势变化数据集上也表现了较好的鲁棒性，准确率分别达到了89.48%与91.45%。以上实验结果验证了生物不变性物体识别机制在运动行人检测中的有效性。

关键词: 目标检测, 运动行人, 不变性物体识别, 视觉运动感知, 视网膜神经

Abstract:

As pedestrians are non-rigid objects， effective invariant representation of their visual features is the key to improving recognition performance. In natural visual scenes， moving pedestrians often undergo changes in scale， background， and pose， which creates obstacles for existing techniques for extracting these irregular features. The issue was addressed by exploring the problem of invariant recognition of moving pedestrians based on the neural structural characteristics of mammalian retinas， and a Moving Pedestrian Detection Neural Network （MPDNN） was proposed for visual scenes. MPDNN was composed of two neural modules： the presynaptic network and the postsynaptic network. The presynaptic network was used to perceive low-level visual motion cues representing the moving object and extract the object’s binarized visual information， and the postsynaptic network was utilized to take advantage of the sparse invariant response properties in the biological visual system and use the invariant relationship between large concave and convex regions of the object’s contour after continuous shape changes， then， stably changed visual features were encoded from low-level motion cues to build invariant representations of pedestrians. Experimental results show that MPDNN achieves a 96.96% cross-domain detection accuracy on the public datasets CUHK Avenue and EPFL， which is 4.52 percentage points higher than the SOTA （State of the Art） model； MPDNN demonstrates good robustness on scale and motion posture variation datasets， with accuracy of 89.48% and 91.45%， respectively. The effectiveness of the biological invariant object recognition mechanism in moving pedestrian detection was validated by the above experimental results.

Key words: object detection, moving pedestrian, invariant object recognition, visual motion perception, retinal nerve

中图分类号:

TP183

赵轻轻, 胡滨. 不变性全局稀疏轮廓点表征的运动行人检测神经网络[J]. 计算机应用, 2025, 45(4): 1271-1284.

Qingqing ZHAO, Bin HU. Moving pedestrian detection neural network with invariant global sparse contour point representation[J]. Journal of Computer Applications, 2025, 45(4): 1271-1284.

图/表 27

图1 行人行走姿态示意图

Fig. 1 Schematic diagrams of pedestrian walking posture

图2 不变性物体识别

Fig. 2 Invariant object recognition

图3 MPDNN结构

Fig. 3 Structure of MPDNN

表1 MPDNN参数设置

Tab. 1 Parameter setting of MPDNN

参数名	值	参数名	值
$n c$	1 280	$T C$	0.8
$n r$	720	$γ$	3
$T p$	220	$r w$	1
$T r$	2	$T m$	3
$γ'$	9	$φ$	0.6
$μ$	0.92	$υ$	0.5
$T w$	200	$T n$	800

表1 MPDNN参数设置

Tab. 1 Parameter setting of MPDNN

参数名	值	参数名	值
$n c$	1 280	$T C$	0.8
$n r$	720	$γ$	3
$T p$	220	$r w$	1
$T r$	2	$T m$	3
$γ'$	9	$φ$	0.6
$μ$	0.92	$υ$	0.5
$T w$	200	$T n$	800

图4 有效性测试的视频序列

Fig. 4 Validity test video sequences

图5 神经层G有效性测试的膜电位可视化结果

Fig. 5 Visualization of membrane potential results for validity test of neural layer G

图6 神经元Vc有效性测试的输出曲线

Fig. 6 Output curves for validity test of neuronVc

表2 有效性测试的数值统计结果

Tab. 2 Numerical statistical results of validity test

视频序号	总帧数	实际行人所在时间序列的帧号范围	MPDNN检测出的时间序列的帧号范围	帧数				ACC/%	FNR/%	FPR/%
视频序号	总帧数	实际行人所在时间序列的帧号范围	MPDNN检测出的时间序列的帧号范围	TP	TN	FN	FP	ACC/%	FNR/%	FPR/%
Ⅰ	287	46~287	49~287	239	45	3	0	98.95	1.24	0.00
Ⅱ	300	45~300	47~295	249	44	7	0	97.67	2.73	0.00
Ⅲ	325	105~325	107~324	218	104	3	0	99.08	1.36	0.00
Ⅳ	175	34~175	49~170	122	33	20	0	88.57	14.08	0.00

图7 尺度测试视频序列

Fig. 7 Scale test video sequences

图8 神经层G与神经元Vc尺度测试的输出结果

Fig. 8 Output results of scale test for neural layer G and neuron Vc

表3 尺度测试的数值统计结果

Tab. 3 Numerical statistical results of scale test

视频	总帧数	行人尺度/（°）	实际行人所在时间序列的帧号范围	MPDNN检测时间序列的帧号范围	ACC/%	FNR/%
图7（a）	200	0.73	90~200	0	0.00	100.00
图7（b）	333	1.76	16~333	41~333	92.14	7.86
图7（c）	290	3.51	13~273	13~273	100.00	0.00
图7（d）	253	10.31	16~236	21~236	100.00	0.00
图7（e）	130	25.59	11~119	11~119	100.00	0.00
图7（f）	87	54.32	12~76	12~76	100.00	0.00

图9 运动姿势测试的视频序列

Fig. 9 Motion posture test video sequences

图10 神经层G运动姿势测试的膜电位可视化结果

Fig. 10 Visualization of membrane potential results for motion posture test of neural layer G

图11 神经元Vc运动姿势测试的输出曲线

Fig. 11 Output curves for motion posture test of neuron Vc

表4 运动姿势测试数值统计结果

Tab. 4 Numerical statistical results of motion posture test

视频	总帧数	实际行人所在时间序列的帧号范围	MPDNN检测时间序列的帧号范围	ACC/%	FNR/%
图9（a）	355	12~342	12~342	100.00	0.00
图9（b）	195	67~147	0	58.46	100.00
图9（c）	224	16~207	16~207	100.00	0.00
图9（d）	162	21~156	21~156	100.00	0.00

图12 遮挡测试的视频序列

Fig. 12 Occlusion test video sequences

图13 神经层G遮挡测试的膜电位可视化

Fig. 13 Visualization of membrane potential results for occlusion test of neural layer G

图14 神经元Vc遮挡测试的输出曲线

Fig. 14 Output curve for occlusion test of neuron Vc

表5 遮挡测试的数值统计结果

Tab. 5 Numerical statistical results of occlusion test

视频	总帧数	实际行人所在时间序列	MPDNN检测时间序列	ACC/%	FNR/%
图12（a）	165	22~118	27~118	96.95	5.15
图12（b）	180	14~120	0	40.56	100.00
图12（c）	300	71~283	82~279	95.00	7.04
图12（d）	240	34~196	0	32.37	100.00

图15 偏好性测试的视频序列

Fig. 15 Preference test video sequences

图16 神经层G与神经元Vc偏好性测试的输出结果

Fig. 16 Output results of preference test for neural layer G and neuron Vc

表6 目标检测模型的对比实验数值统计结果

Tab. 6 Numerical statistical results of comparison experiments of object detection models

模型	帧数				ACC/%	FNR/%	FPR/%
模型	TP	TN	FN	FP	ACC/%	FNR/%	FPR/%
Faster R-CNN^［18］	842	198	19	66	92.44	2.21	6.07
Cascade R-CNN^［19］	861	177	0	102	91.05	0.00	9.38
YOLOv5^［20］	856	221	5	217	82.91	0.58	19.96
YOLOv8^［21］	851	215	10	241	80.94	1.16	22.17
SSD^［22］	786	205	75	24	90.92	8.71	2.21
MPDNN	828	226	33	0	96.96	3.83	0.00

表7 行人检测模型的对比实验数值统计结果

Tab. 7 Numerical statistical results of comparison experiments of pedestrian detection models

模型	帧数				ACC/%	FNR/%	FPR/%
模型	TP	TN	FN	FP	ACC/%	FNR/%	FPR/%
F2DNet^［25］	171	226	690	0	36.52	80.14	0.00
VLPD^［33］	265	201	596	45	42.10	69.22	4.14
Pedestron^［34］	661	197	200	16	79.89	23.23	1.47
BFDA^［36］	725	226	136	0	87.49	15.80	0.00
MPDNN	828	226	33	0	96.96	3.83	0.00

表8 运动行人检测模型的对比实验数值统计结果 (%)

Tab. 8 Numerical statistical results of comparison experiments of moving pedestrian detection models

模型	有效性测试数据集			尺度测试数据集			运动姿势测试数据集			遮挡测试数据集
模型	ACC	FNR	FPR	ACC	FNR	FPR	ACC	FNR	FPR	ACC	FNR	FPR
EMFD+SVM^［26］	95.78	4.56	0.00	46.64	63.59	0.00	76.98	29.03	0.00	38.54	81.59	0.00
SOF+ACF^［27］	63.29	49.21	0.00	66.82	39.54	0.00	67.37	34.51	0.00	41.23	78.35	0.00
TSM^［28］	92.37	4.15	0.00	66.56	39.54	0.00	63.46	46.22	0.00	67.57	49.48	0.00
DeepStep^［29］	98.31	2.41	0.00	59.09	51.86	0.00	87.69	13.47	0.00	57.81	72.24	0.00
MPDNN	96.96	3.83	0.00	89.48	12.53	0.00	91.45	10.79	0.00	68.86	46.21	0.00

图17 同源模型的膜电位响应输出曲线

Fig. 17 Membrane potential response output curves of homologous models

表9 同源模型的对比实验数值统计结果

Tab. 9 Numerical statistical results of comparison experiments of homologous models

模型	帧数				ACC/%	FNR/%	FPR/%
模型	TP	TN	FN	FP	ACC/%	FNR/%	FPR/%
CDNN^［11］	0	45	242	0	15.68	100.00	0.00
CEBDNN^［8］	0	45	242	0	15.68	100.00	0.00
DSNN^［55］	124	45	118	124	41.12	48.76	43.21
STPDNN^［12］	138	45	104	0	63.76	42.98	0.00
MPDNN	239	45	3	0	98.95	1.24	0.00

图18 MPDNN参数的灵敏度分析

Fig. 18 Sensitivity analysis of MPDNN parameters

参考文献 55

1	BRUNETTI A， BUONGIORNO D， TROTTA G F， et al. Computer vision and deep learning techniques for pedestrian detection and tracking： a survey［J］. Neurocomputing， 2018， 300： 17-33.
2	DiCARLO J J， ZOCCOLAN D， RUST N C. How does the brain solve visual object recognition？［J］. Neuron， 2012， 73（3）： 415-434.
3	ELDER J H. Shape from contour： computation and representation［J］. Annual Review of Vision Science， 2018， 4： 423-450.
4	AYZENBERG V， LOURENCO S. Perception of an object’s global shape is best described by a model of skeletal structure in human infants［J］. eLife， 2022， 11： No.e74943.
5	BAKER N， LU H， ERLIKHMAN G， et al. Deep convolutional networks do not make classifications based on global object shape［J］. Journal of Vision， 2018， 18（10）： No.904.
6	WOOD J N， WOOD S M W. The development of invariant object recognition requires visual experience with temporally smooth objects［J］. Cognitive Science， 2018， 42（4）： 1391-1406.
7	EL-SHAMAYLEH Y， PASUPATHY A. Contour curvature as an invariant code for objects in visual area V4［J］. Journal of Neuroscience， 2016， 36（20）： 5532-5543.
8	HU B， ZHANG Z， LI L. LGMD-based visual neural network for detection crowd escape behavior［C］// Proceedings of the 5th IEEE International Conference on Cloud Computing and Intelligence Systems. Piscataway： IEEE， 2018： 772-778.
9	FU Q， WANG H， HU C， et al. Towards computational models and applications of insect visual systems for motion perception： a review［J］. Artificial Life， 2019， 25（3）： 263-311.
10	HU B， ZHANG Z. Bio-inspired visual neural network on spatio-temporal depth rotation perception［J］. Neural Computing and Applications， 2021， 33（16）： 10351-10370.
11	HUANG X， QIAO H， LI H， et al. Bioinspired approach-sensitive neural network for collision detection in cluttered and dynamic backgrounds［J］. Applied Soft Computing， 2022， 122： No.108782.
12	张本康，胡滨. 基于情景记忆的运动小目标行人检测神经网络［J］. 计算机工程与应用， 2022， 58（15）： 169-183.
	ZHANG B K， HU B. Neural network for moving small target pedestrian detection based on episodic memory［J］. Computer Engineering and Applications， 2022， 58（15）： 169-183.
13	LAD B V， HASHMI M F， KESKAR A G. Parameter adaptive pulse coupled neural network-based saliency map fusion strategy for salient object detection［J］. Neural Computing and Applications， 2023， 35（21）： 15743-15757.
14	CAO J， PANG Y， XIE J， et al. From handcrafted to deep features for pedestrian detection： a survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（9）： 4913-4934.
15	VARGA D， HAVASI L， SZIRÁNYI T. Pedestrian detection in surveillance videos based on CS-LBP feature［C］// Proceedings of the 2015 International Conference on Models and Technologies for Intelligent Transportation Systems. Piscataway： IEEE， 2015： 413-417.
16	NAN M， LI C， HU J， et al. Pedestrian detection based on HOG features and SVM realizes vehicle-human-environment interaction［C］// Proceedings of the 15th International Conference on Computational Intelligence and Security. Piscataway： IEEE， 2019： 287-291.
17	DONG E， JING C， ZHANG Z. A multi-feature fusion based pedestrian detection method［C］// Proceedings of the 2020 IEEE International Conference on Mechatronics and Automation. Piscataway： IEEE， 2020： 176-180.
18	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
19	CAI Z， VASCONCELOS N. Cascade R-CNN： high quality object detection and instance segmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（5）： 1483-1498.
20	Ultralytics. YOLOv5［EB/OL］. ［2024-07-10］..
21	Ultralytics. YOLOv8［EB/OL］. ［2024-07-10］..
22	ZHOU S， QIU J. Enhanced SSD with interactive multi-scale attention features for object detection［J］. Multimedia Tools and Applications， 2021， 80（8）： 11539-11556.
23	GAWANDE U， HAJARI K， GOLHAR Y. SIRA： scale illumination rotation affine invariant mask R-CNN for pedestrian detection［J］. Applied Intelligence， 2022， 52： 10398-10416.
24	KOLLURI J， DAS R. Intelligent multimodal pedestrian detection using hybrid metaheuristic optimization with deep learning model［J］. Image and Vision Computing， 2023， 131： No.104628.
25	KHAN A H， MUNIR M， VAN ELST L， et al. F2DNet： fast focal detection network for pedestrian detection［C］// Proceedings of the 26th International Conference on Pattern Recognition. Piscataway： IEEE， 2022： 4658-4664.
26	ZHAO K， DENG J， CHENG D. Real-time moving pedestrian detection using contour features［J］. Multimedia Tools and Applications， 2018， 77（23）： 30891-30910.
27	JIANG Y， WANG J， LIANG Y， et al. Combining static and dynamic features for real-time moving pedestrian detection［J］. Multimedia Tools and Applications， 2019， 78（3）： 3781-3795.
28	CHENG G， ZHENG J Y. Semantic segmentation for pedestrian detection from motion in temporal domain［C］// Proceedings of the 2020 25th International Conference on Pattern Recognition. Piscataway： IEEE， 2021： 6897-6903.
29	KILICARSLAN M， ZHENG J Y. DeepStep： direct detection of walking pedestrian from motion by a vehicle camera［J］. IEEE Transactions on Intelligent Vehicles， 2023， 8（2）： 1652-1663.
30	YANG P， ZHANG G， WANG L， et al. A part-aware multi-scale fully convolutional network for pedestrian detection［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（2）： 1125-1137.
31	KIM M， ILYAS N， KIM K. AMSASeg： an attention-based multi-scale atrous convolutional neural network for real-time object segmentation from 3D point cloud［J］. IEEE Access， 2021， 9： 70789-70796.
32	HE Y， HE N， YU H， et al. From macro to micro： rethinking multi-scale pedestrian detection［J］. Multimedia Systems， 2023， 29（3）： 1417-1429.
33	LIU M， JIANG J， ZHU C， et al. VLPD： context-aware pedestrian detection via vision-language semantic self-supervision［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 6662-6671.
34	HASAN I， LIAO S， LI J， et al. Generalizable pedestrian detection： the elephant in the room［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 11323-11332.
35	SHEN G， YU Y， TANG Z R， et al. HQA‐Trans： an end‐to‐end high‑quality‑awareness image translation framework for unsupervised cross‑domain pedestrian detection［J］. IET Computer Vision， 2022， 16（3）： 218-229.
36	CAI Y， ZHANG B， LI B， et al. Rethinking cross-domain pedestrian detection： a background-focused distribution alignment framework for instance-free one-stage detectors［J］. IEEE Transactions on Image Processing， 2023， 32： 4935-4950.
37	ROUPA I， SILVA M R DA， MARQUES F， et al. On the modeling of biomechanical systems for human movement analysis： a narrative review［J］. Archives of Computational Methods in Engineering， 2022， 29（7）： 4915-4958.
38	AUBRET A， TEULIÈR C， TRIESCH J. Toddler-inspired embodied vision for learning object representations［C］// Proceedings of the 2022 IEEE International Conference on Development and Learning. Piscataway： IEEE， 2022： 81-87.
39	ISIK L， MEYERS E M， LEIBO J Z， et al. The dynamics of invariant object recognition in the human visual system［J］. Journal of Neurophysiology， 2014， 111（1）： 91-102.
40	ZOCCOLAN D. Invariant visual object recognition and shape processing in rats［J］. Behavioural Brain Research， 2015， 285： 10-33.
41	WOOD J N， WOOD S M W. One-shot learning of view-invariant object representations in newborn chicks［J］. Cognition， 2020， 199： No.104192.
42	PRASAD A， WOOD S M W， WOOD J N. Using automated controlled rearing to explore the origins of object permanence［J］. Developmental Science， 2019， 22（3）： No.e12796.
43	JIAO L， YANG Y， LIU F， et al. The new generation brain-inspired sparse learning： a comprehensive survey［J］. IEEE Transactions on Artificial Intelligence， 2022， 3（6）： 887-907.
44	JOHANSSON G. Visual perception of biological motion and a model for its analysis［J］. Perception and Psychophysics， 1973， 14（2）： 201-211.
45	CARLSON E T， RASQUINHA R J， ZHANG K， et al. A sparse object coding scheme in area V4［J］. Current Biology， 2011， 21（4）： 288-293.
46	VLASITS A L， EULER T， FRANKE K. Function first： classifying cell types and circuits of the retina［J］. Current Opinion in Neurobiology， 2019， 56： 8-15.
47	HAHN J， MONAVARFESHANI A， QIAO M， et al. Evolution of neuronal cell classes and types in the vertebrate retina［J］. Nature， 2023， 624（7991）： 415-424.
48	SETYOKO B H， NOERSASONGKO E， SHIDIK G F， et al. Gaussian mixture model in dynamic background of video sequences for human detection［C］// Proceedings of the 5th International Conference on Research of Information Technology and Intelligent Systems. Piscataway： IEEE， 2022： 595-600.
49	GAYNES J A， BUDOFF S A， GRYBKO M J， et al. Classical center-surround receptive fields facilitate novel object detection in retinal bipolar cells［J］. Nature Communications， 2022， 13： No.5575.
50	刘倡，胡滨. 生物启发的人群突发局部聚集感知神经网络［J］. 计算机工程与应用， 2022， 58（16）： 164-174.
	LIU C， HU B. Bio-inspired neural network for perceiving suddenly localized crowd gathering［J］. Computer Engineering and Applications， 2022， 58（16）： 164-174.
51	GARCIA-MOLLA V M， ALONSO-JORDÁ P. Parallel border tracking in binary images for multicore computers［J］. The Journal of Supercomputing， 2023， 79（9）： 9915-9931.
52	PENG P， TIAN Y， WANG Y， et al. Robust multiple cameras pedestrian detection with multi-view Bayesian network［J］. Pattern Recognition， 2015， 48（5）： 1760-1772.
53	LU C， SHI J， JIA J. Abnormal event detection at 150 FPS in MATLAB［C］// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2013： 2720-2727.
54	VIDEEZ Y. Shot of a seagull flying with blue sky on background in 4K［EB/OL］. ［2024-07-10］..
55	WANG Y， LI H， ZHENG Y， et al. A directionally selective collision-sensing visual neural network based on fractional-order differential operator［J］. Frontiers in Neurorobotics， 2023， 17： No.1149675.

[1]	侯阳, 张琼, 赵紫煊, 朱正宇, 张晓博. 基于YOLOv5s的复杂场景下高效烟火检测算法YOLOv5s-MRD[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1317-1324.
[2]	张李伟, 梁泉, 胡禹涛, 朱乔乐. 基于分组卷积的通道重洗注意力机制[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1069-1076.
[3]	张传浩, 屠晓涵, 谷学汇, 轩波. 基于多模态信息相互引导补充的雷达-相机三维目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 946-952.
[4]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[5]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[6]	杨晟, 李岩. 面向目标检测的对比知识蒸馏方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 354-361.
[7]	桂佳扬, 王顺吉, 周正康, 唐加山. 基于改进YOLOv8n的隧道内异物检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 655-661.
[8]	文诗佳, 金世俊. 结合目标检测和特征点关联的动态视觉SLAM算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 610-615.
[9]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[10]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[11]	杨博然, 蔺素珍, 李大威, 禄晓飞, 崔晨辉. 基于信息补偿的红外弱小目标检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 284-291.
[12]	刘赏, 周煜炜, 代娆, 董林芳, 刘猛. 融合注意力和上下文信息的遥感图像小目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 292-300.
[13]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[14]	李烨恒, 罗光圣, 苏前敏. 基于改进YOLOv5的Logo检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2580-2587.
[15]	张英俊, 李牛牛, 谢斌红, 张睿, 陆望东. 课程学习指导下的半监督目标检测框架[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2326-2333.

不变性全局稀疏轮廓点表征的运动行人检测神经网络

Moving pedestrian detection neural network with invariant global sparse contour point representation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 27

参考文献 55

相关文章 15

编辑推荐

Metrics