行人检测中非极大值抑制算法的改进

行人检测是计算机视觉领域的难点和热点问题。行人检测可大致划分为3个部分：特征提取、分类和非极大值抑制（NonmaximumSuppression，NMS）。当前的研究工作主要集中在特征提取、特征学习和分类器等方向，而非极大值抑制方向鲜有改进。目前常用的非极大值抑制算法是贪心策略，抑制时只使用了单一的重合面积信息。针对该问题，在ACF（AggregateChannelFeatures）检测算法的基础上，对非极大值抑制进行了3项改进，显著地提升了算法的精度,并且算法的时间消耗只有略微的增加。在INRIA数据集上，单独使用引入尺度比的动态面积阈值NMS时能降低平均对数漏检率(MR)0.99%；单独使用保留外围检测分数相近的检测窗口的策略时NMS能降低MR1.25%；两者结合可降低MR2.5%；结合后，再对已经被抑制的检测窗口重复抑制，MR降低了2.63%，达到14.22%。