[46]。OpenCV是一個開源的跨平臺計算機視覺庫，由英特爾公司發起并維護。它包含了大量的圖像處理和計算機視覺相關的函數和工具，可以用于實現各種各樣的計算機視覺應用。OpenCV支持多種編程語言，包括C++、Python、Java等，且可以在Windows、Linux、macOS等操作系統上運行。它提供了豐富的功能和工具，包括圖像處理、圖像分割、目標檢測、人臉識別、運動跟蹤、相機標定、三維重建等，涵蓋了從基礎圖像處理到高級計算機視覺領域的各個方面。OpenCV的優點在于其簡單易用、高效可靠、跨平臺性強等特點。通過使用OpenCV，我們可以快速地實現各種計算機視覺應用，比如圖像處理、物體識別、視頻跟蹤等。OpenCV是計算機視覺領域的重要工具和框架，有著廣泛的應用和較高的實用價值。因此在軟件開發方面具有重要影響。這個庫的廣泛應用，使得它成為了計算機視覺研究和開發中不可或缺的工具之一。圖像處理方法：在OpenCV庫中，有多種方法可用于圖像或視頻的采集，比如從攝像頭、視頻文件或網絡視頻流中讀取圖像或視頻數據等。對于采集到的圖像或視頻可以通過OpenCV提供的各種函數進行預處理，例如改變圖像亮度、對比度、裁剪、縮放、旋轉、翻轉等操作，以便更好地進行后續分析。特征匹配：例如FLANN匹配器、暴力匹配器等，這一步可以幫助我們找到不同圖像或視頻中相同物體的位置。目標檢測和識別：在目標檢測和識別領域，OpenCV提供了多種機器學習算法，如Haar特征分類器、HOG+SVM、卷積神經網絡等，可用于人臉檢測、車牌識別、物體識別等任務。可以大大提升對圖像復雜信息的分析和理解，實現更加復雜的計算機視覺應用。可視化和輸出：OpenCV提供了各種函數，例如imshow、imwrite等，可以將處理結果可視化，并輸出到文件或網絡。3.2行人檢測流程與難點3.2.1行人檢測流程簡述行人檢測是一種常見的計算機視覺任務，其本質是在輸入圖像中檢測和定位出圖像中的行人區域。首先需要采集并準備用于行人檢測的訓練數據，包括大量的正樣本和負樣本。正樣本是指包含行人的圖像樣本，負樣本則反之。這些數據需要被標注和預處理，以便后續訓練和測試使用。使用特征提取方法從輸入圖像中提取特征，然后從中選取出最有區分性和代表性的特征。對待檢測圖像進行行人檢測。采用滑動窗口的方法來搜索圖像，并使用行人檢測器對每個窗口進行分類，判斷該窗口是否包含行人。若存在行人，則記錄下行人的位置和大小。在檢測完成后，由于可能會出現多個框重疊的情況，需要采用非極大值抑制算法進行優化。該算法在不降低正確率的前提下，能夠去除冗余的重復框，得到最終的行人檢測結果。最后，需要對檢測的結果進行后處理，例如去掉一些噪聲點或小于一定面積的框等。然后輸出最終的行人檢測結果，包括對應的行人區域、位置和大小信息等。圖3.1行人檢測流程3.2.2評價指標經過多次實踐驗證，平均精度均值和圖片的識別速率已被證明是目標檢測評估的最常用、最有效的指標。這些指標能夠對目標檢測算法的準確性和效率進行全面的評估，并幫助我們更好地比較和選擇不同的算法，提高計算機視覺應用的性能。檢測大于閾值的叫做(TruePositive,TP)，低于閾值的也就是錯誤的叫做(FalsePositive,FP)，如果一個目標被重復檢測，取置信度最高值選為正樣本。對于使用YOLOv3進行行人檢測任務的評價，一般會采用精度（Precision）和召回率（Recall）這兩個指標。這兩個指標能夠全面評估算法的性能，并客觀地反映算法的實際效果。精度：用于衡量檢測出的行人中真正為行人的比例。它的計算公式為： (3.1)其中，表示可以將行人目標正確地檢測出來的檢測框數量，表示將非行人目標錯誤地檢測成行人的檢測框數量。召回率：是指對于一個二分類問題中正例樣本而言，分類器所能正確檢測到的正例樣本的比例。它的計算公式為： (3.2)其中，（FalseNegative,FN）表示未能將行人正確地檢測出來的行人數量。除了這兩個指標之外，還有一個綜合考慮兩者關系的指標，是精度和召回率的調和平均數，其計算方法為： (3.3)在YOLOv3行人檢測領域中，常使用PascalVOC和COCO數據集對算法進行評價。評價方法是通過比較算法的檢測結果和真實目標之間的匹配程度，并計算相應的精度、召回率和F1-score指標。同時，也可以通過繪制PR曲線（Precision-RecallCurve）來直觀地展示模型的性能表現。3.2.3行人檢測難點作為計算機視覺領域的一個重要應用，行人檢測是一項具有挑戰性的任務。在不同的場景下，行人可能會被其他物體遮擋，這會導致某些部位無法被準確檢測，或者檢測誤差較大。這些問題對于行人的全局檢測和姿態估計等進一步處理也會產生負面影響。行人的姿態對行人檢測的影響很大，行人的姿態越復雜，行人檢測的難度就越大。當行人的姿態較為復雜時，往往會有一些遮擋問題發生，例如身體某一部分被其他物體或者行人本身遮擋，這樣就會導致行人檢測器無法完全識別出行人區域。行人的姿態不同，拍攝和觀察視角也會有所不同。在不同的視角下，行人的形態和外貌特征也會發生變化，這會給行人姿態檢測帶來挑戰。在不同的姿態下，行人的身體形狀也會發生形變，例如躬著身子、彎曲雙膝等，這也會對行人檢測造成干擾。如果特征不夠顯著，就容易出現漏檢的情況，也會影響行人檢測算法的準確性和效率。行人檢測需要考慮不同視角下的處理，因此行人的大小、形狀和外觀等可能會發生變化。例如，行人在不同的距離和尺度下可能有不同大小的特征，這就需要行人檢測算法考慮多尺度的情況。此外，由于在不同的光線條件下，圖像的對比度和亮度可能會發生變化，這也會對行人檢測算法產生影響。從圖3.2可以看出，在圖像拍攝過程中會有大量的景觀和復雜的周圍環境，因此大多數行人目標都會呈現出由近及遠的分布模式。如果他們在遠處，那么行人目標就會相對較小。圖像中通常有大量的背景內容，小目標行人會有相對模糊的特征。由于特征不太突出，網絡也將很難捕獲，并且漏檢的可能性相對較高。背景特征和周圍環境特征的存在容易對小目標的特征造成干擾，從而增加了誤檢的可能性。圖3.2小目標行人檢測在現實生活中，即便是同一個行人，由于拍攝角度、距離或時間等因素的不同，其圖像可能呈現出不同的樣子。畫面縮放對行人檢測的影響是比較顯著的，當輸入圖像進行縮放操作時，圖像中的目標在圖像上的像素大小也會發生變化，這會影響到行人檢測器的檢測效果。特別是當目標在圖像中所占像素數量較小時，縮放操作可能會進一步降低搜尋行人目標的精確度，以及對比度、清晰度和前景/背景比例等檢測指標。當輸入圖像進行縮放操作時，由于圖像的分辨率發生變化，會導致行人檢測器需要處理更多或更少的像素點。如果縮放比例太大，那么行人檢測器需要處理過多的像素，檢測速度會明顯變慢；反之，如果縮放比例太小，可能會把原來的行人目標縮小，導致行人檢測器在處理該圖像時無法識別行人目標，檢測效果也會隨之下降。例如，如圖3.3所示。因此，需要對這些因素進行充分考慮，以獲得更準確的行人目標檢測結果。圖3.3畫面縮放示例行人檢測任務在復雜背景下具有很大的難度，主要由于背景中存在很多與行人類似的物體，例如樹木、汽車和建筑物等。這些物體與行人在圖片中所占位置大小、形狀等方面都存在一定的相似性，很容易對行人檢測算法產生干擾。同時，在相同場景下，由于外界因素的變化，行人的外觀也會存在差異。如圖3.4所示，當在晚上、燈光和游樂設施等背景影響下進行行人檢測時，深度神經網絡模型很容易將部分矩形物體誤判為行人。在復雜的背景環境下，行人檢測任務還存在其它一些挑戰。這也導致了行人目標的形狀多樣性，進一步增加了檢測難度。另外，目標的尺寸和比例變化也會使得檢測更加困難。比如，在較遠的距離拍攝行人圖像時，行人目標的尺寸相對于整幅圖像來說會變得非常小，這對于一些傳統的檢測算法來說會出現更高的挑戰性。此外，由于復雜背景下的噪聲干擾較大，還會導致遮擋和部分遮擋等問題，使得行人的檢測更加困難。圖3.4復雜背景下行人在現實生活中，行人總是會聚集在一起，以圖3.5為例，密集行人對行人檢測的影響是非常顯著的，當存在密集行人時，往往會存在行人之間的遮擋問題。這會使得行人檢測器難以準確地識別出所有行人的區域，并且可能會導致誤檢，也就是把不是行人的區域誤判為行人。由于行人之間的相似性較高，行人檢測器的判別器很容易產生歧義。例如，當兩個行人非常靠近時，行人檢測器可能會將他們當作同一個目標進行處理，或者無法分辨哪一個是前景行人。密集的行人意味著需要更高的計算資源來處理，這會影響到檢測器的運行速度和準確性。當圖像中行人數量過多時，行人檢測需要的計算量和存儲資源將會急劇增加，這會降低系統的實時性能。圖3.4密集行人3.3行人檢測實驗與結果3.3.1行人檢測環境配置在Windows11操作系統下的Pycharm2022.3.2版本的運行環境，基于深度學習的Python語言進行程序編寫。安裝了Python的第三方庫和深度學習的應用程序編程接口(ApplicationProgrammingInterface,API)，比如Matplotlib，Numpy等。處理器CPU型號為i7-8565UCPU，顯存環境GPU配置CUDA11.1環境進行GPU并行加速計算，應用OpenCV4.4作圖像數據處理。3.3.2行人檢測實驗結果總體來說，傳統行人檢測方法主要包括基于特征匹配的方法、基于背景建模的方法、基于統計模型的方法等。在行人檢測方法中最早、最簡單，但是效率比較低，且容易受到圖像尺度、旋轉等因素的影響；基于特征點的檢測方法相對較為穩健，但對光照、陰影等場景變化較為敏感；基于復雜背景建模的檢測方法可以適應各種場景，但建模困難，而且對于復雜場景的適應性不夠強。基于模板匹配的檢測方法雖然簡單易實現，但缺乏對目標形變、旋轉等變化的魯棒性。總體而言，傳統的行人檢測方法受限于算法的局限性，很難滿足各種復雜場景和變化情況下的實時需求。對于圖像質量差的情況下，傳統的行人檢測方法會受到更多的干擾和誤差，導致檢測準確率降低。傳統的行人檢測方法往往需要手動設置一些參數，例如檢測窗口大小、分類器的閾值等，因此需要較多的人工干預和調整，增加了算法開發和調試的難度和復雜性。在復雜的場景中，如人群擁擠、遮擋等情況下，傳統的行人檢測方法往往會受到嚴重的干擾和誤判，因此無法保證檢測結果的穩定性。傳統行人檢測方法僅針對單個目標進行檢測，并且難以處理高密度行人流等多目標檢測和跟蹤任務，因此無法滿足實際需求。為了解決這些問題，對該領域進行降重同義改寫是非常必要的。圖3.5傳統行人檢測圖3.6YOLOv3算法行人檢測正如圖3.5所示，在簡單的環境下，例如靜態背景、明亮光照、無遮擋等情況下，傳統的行人檢測方法往往能夠取得較好的效果。盡管傳統的行人檢測算法可以實現定位行人位置，但是它們的定位精度和識別效果常常不理想，這表明這些傳統方法受到了很多限制和缺陷的影響。因此，相較于傳統的行人檢測方法，如圖3.6，YOLOv3提供了一種更加快速、準確、方便的檢測方法，可以更好地克服這些限制和缺陷。YOLOv3相比于傳統的行人檢測方法有以下幾個優點：速度快：YOLOv3可以實現實時行人檢測，通常能夠達到幾十幀的檢測速度，比傳統的檢測方法更為高效。檢測準確率高：YOLOv3通過引入多尺度訓練、數據增強等技術，提高了模型的泛化能力和穩定性，在不同尺寸、角度、照度等情況下都能夠保持較高的檢測準確率。多目標檢測：YOLOv3可以同時檢測多個行人目標，并且在重疊和遮擋情況下也能夠有效地處理。通過將整個圖像輸入神經網絡中并在網絡中前向傳遞來實現多目標檢測。與其他目標檢測算法不同，YOLOv3對圖像進行了多尺度處理，并在不同的層次上進行檢測，以適應不同尺寸和形狀的目標對象。在簡單背景下，行人的大小、形狀、姿勢等變化較少，這使得YOLOv3的多尺度檢測能夠更好地發揮作用，從而提高檢測效率和準確率。此外，YOLOv3還使用了許多技術來改善檢測效率和準確性，例如卷積層、LeakyReLU激活函數等。結合了所有這些技術的YOLOv3成為一個強大的目標檢測算法，在許多行人檢測任務中表現出色。圖3.7YOLOv3簡單場景行人檢測在輕微遮擋下，YOLOv3所使用的多尺度檢測技術能夠有效地適應不同尺寸和形狀的目標，并且能夠通過特征圖間的信息交互來完成整個目標的檢測。同時，YOLOv3的AnchorBox預測技術和目標框回歸技術能夠提高目標框的精度，并且在遮擋情況下能夠預測目標框的位置和尺寸從而更好地解決遮擋問題。圖3.8輕微遮擋下行人檢測YOLOv3能夠同時檢測多個行人目標，并且在重疊和遮擋情況下也能夠有效地處理。這種多目標檢測技術可以在輕微遮擋下更好地發揮作用，因為即使行人目標被部分遮擋也可以通過檢測其他部分來完成整個目標的檢測。在輕微遮擋下，行人的一部分可能會被遮擋，但是YOLOv3可以利用其感知廣的特點，識別出未被遮擋的行人部分，并且通過目標框回歸技術來預測整個目標的位置和尺寸。圖3.9遮擋面積較大環境下行人檢測YOLOv3在運動狀態下進行行人檢測的實驗結果表明，與靜態情況下的行人檢測相比，檢測精度有所下降，但在實際應用中仍能夠達到較高的準確率。此外，YOLOv3還針對移動物體的特點進行優化，采用了一些特殊的技術，如多尺度特征融合、卷積重量歸一化等，進一步提高了運動狀態下的行人檢測精度。需要注意的是，行人的速度及背景復雜度等因素也會影響行人檢測的準確率。圖3.10運動狀態下行人檢測YOLOv3在陰天環境下行人檢測的結果可能會受到環境光線的影響，YOLOv3在陰天光線不足的環境下行人檢測效果可能會有所降低，但是具體結果還要取決于數據集和具體的場景。但是它仍然可以進行有效的行人檢測。改進后的YOLOv3算法在陰天環境下行人檢測方面表現優秀，準確率較高，檢測結果也非常好。圖3.11陰天環境下行人檢測在雨天環境下，YOLOv3的行人檢測結果可能會受到較大的影響。由于雨天環境下光線較差，且行人的外形可能會被雨傘、雨衣等物品遮擋，因此會導致檢測準確率下降。為了提高YOLOv3在雨天環境下的檢測效果，對于被遮擋的行人，可以考慮采用多視角的檢測方式，行人部位在不同視角下的特征點等來提高檢測準確率。本文中所引用的算法在雨天環境中也有良好表現。圖3.12雨天環境下行人檢測在夜晚環境下，行人檢測更具挑戰性，主要原因是缺少光線和低對比度，這會影響算法對行人的識別和定位。在實驗中，我們使用了YOLOv3算法對夜晚行人進行檢測，并評估了其檢測性能。圖3.13顯示，算法表現出色，在光照不足，人員相對密集的夜晚，仍然可以高效準確地檢測到夜晚場景中的行人。為了更好地評估算法的性能，我們使用了幾個常用的指標，包括準確率、召回率。我們的實驗結果表明，YOLOv3算法在夜晚行人檢測方面表現良好。總的來說，YOLOv3算法在夜晚行人檢測方面表現出色，具有高效、準確和穩定的特點。然而，也需要注意到在某些特殊情況下，如夜晚道路過于繁忙、行人與背景難以區分等情況下，算法可能會存在一定的誤檢和漏檢，需要進一步完善和提高算法的魯棒性和適應性。圖3.13夜晚環境下行人檢測在復雜背景下進行行人檢測是一個具有挑戰性的任務，因為人與周圍環境的復雜背景相互干擾。YOLOv3是一種既快速又準確的目標檢測算法，非常適合于處理復雜環境下的行人檢測任務。本文的實驗數據集采用了MSCOCO，這是一個具有多樣性和復雜度的挑戰性數據集。其中包括了一些具有復雜背景的行人圖片。在復雜的背景下，YOLOv3在MSCOCO數據集上表現優秀，并取得了非常出色的性能。特別是對于小物體的檢測，表現出色。YOLOv3使用了Darknet-53作為主干網絡，能夠提取更加豐富的特征。此外，該算法采用了多個尺度的檢測來適應不同大小的目標。綜合來看，在復雜背景下進行行人檢測時，YOLOv3表現非常出色。其采用強大的特征提取網絡和多尺度檢測，并通過SPP模塊和FPN模塊來適應不同大小的目標。圖3.14復雜背景下行人檢測YOLOv3是一個高效的物體檢測算法，在密集行人背景下進行行人檢測時也有不錯的表現。在實驗中，YOLOv3的檢測準確率在密集行人背景檢測中能夠達到較高水平。YOLOv3具有很快的檢測速度，可以實現實時檢測。在密集行人背景下，由于行人數量較多，YOLOv3的檢測速度可能會相應降低，但其優化后的模型仍能夠實現較快的檢測速度。綜上所述，YOLOv3在密集行人環境中進行行人檢測時表現優秀，具有高準確率和高召回率，并且檢測速度也非常快，特別適合實時性要求較高的應用場景。圖3.15密集行人情況下行人檢測YOLOv3在小目標行人檢測方面，YOLOv3也取得了很好的效果。對于YOLOv3算法來說，小目標的行人檢測是一項巨大的挑戰。在YOLOv3的算法中，為了解決這個問題，作者引入了一些新的技術，比如多尺度訓練、數據增強、組合性預測等等。從總體上看，YOLOv3在小目標行人檢測中表現良好，能夠快速準確地識別行人目標。但是，在一些特定場景下，模型還需要進一步優化，以提升檢測精度并適應更復雜的環境。圖3.16小目標行人檢測在夜間大面積遮擋環境下進行行人檢測是一個具有挑戰性的問題。YOLOv3采用了特殊的設計和技術來應對這個問題，但實驗結果也表明，在實際應用中仍然存在一些限制。首先，YOLOv3在夜間大面積遮擋環境下的檢測結果可能會受到光照不均勻、背景噪音等因素的影響，導致誤檢率較高。其次，如果行人與其他物體重疊或者遮擋，則可能無法完整地檢測到行人的位置和姿態。為了減少誤檢率和漏檢率，可以采用一些方法來改善檢測效果。總的來說，雖然YOLOv3在夜間大面積遮擋環境下的行人檢測結果精度和準確性有待提高，存在一些限制，但它仍然是一個非常優秀的算法。通過合理的調整參數和采用一些改進方法，可以使得其在實際應用中發揮更好的效果。圖3.17夜間大面積遮擋環境下行人檢測第4章結論YOLOv3是一種基于深度學習的行人檢測算法，其改進可以通過修改網絡結構、訓練技巧和數據增強等方面進行。許多研究人員已經對YOLOv3算法進行了改進，并取得了一些令人鼓舞的結果。近年來，隨著深度學習技術的不斷發展,YOLOv3、逐漸成為了圖像處理研究領域中的熱門話題。然而，由于行人目標具有種類繁多，且圖像背景復雜多變，在實際應用中精確地檢測到行人目標十分困難。本文引用了改進YOLOv3算法的行人目標檢測方法，從而提高其在行人目標檢測中的表現。用PyCharm完成對圖片中行人檢測的設計，通過實驗到如下結論：（1）本文使用YOLOv3中的Darknet-53網絡結合COCO數據集中的Person子集對圖像中的行人特征信息進行檢測和提取。采用公開的行人數據集作為測試集。在這個實驗中，我們將利用Darknet-53網絡對行人目標特征進行提取和對比。整個實驗所依托的平臺和數據集都已經得到充分的準備和處理。然后介紹了本文的anchor策略，為了適配本文的訓練任務，重新使用K-means聚類算法對anchorbox進行重新聚類。（2）實驗顯示，YOLOv3算法改進后，在行人目標定位與識別方面可以獲得更好的表現，并且對于漏檢率高的問題也可以得到有效改善。可在不同種類的目標檢測中應用，且效果良好。具體來說，YOLOv3算法是一種單階段目標檢測方法，通常情況下，其檢測準確率較高，但漏檢率也相對較高。這是因為在單階段檢測中，模型需要同時完成目標位置和類別的判斷，因此對于小目標或者部分遮擋的目標等特殊情況，容易出現漏檢的情況。本文引入的方法雖能夠完成對圖片中進行行人檢測，但是在方法上依舊存在著些許不足。像在小目標以及過于密集的情況下，實驗結果存在著一定的誤。所以，如何對復雜情況下行人檢測還有待未來進一步的研究。

總結與體會經過多年的研究和發展，現有的行人檢測算法已經實現了優秀的效果，但是在圖像中存在大量的干擾行人檢測的問題，都會對傳統的目標檢測方法或基于深度學習的早期目標檢測方法產生影響，無法實現行人目標的精確定位。綜上所述，具有高速、精度高、多尺度、內存占用少和適用性廣等優勢的YOLOv3算法是實現行人檢測的較好選擇。這也使得該算法成為了目前應用最廣泛的行人檢測算法之一。YOLOv3算法采用了全卷積神經網絡結構，可以直接對整張圖像進行處理，速度非常快，YOLOv3算法具有更高的檢測精度，能夠更準確地檢測到同一張圖片中的更多的行人目標，并且其誤檢率也較低。YOLOv3算法采用了多尺度檢測技術，可以同時處理不同尺寸的目標物體，提高了算法的適應性和泛化性能。其通過卷積神經網絡對圖像進行特征提取和目標分類，實現了較好的檢測效果。在使用YOLOv3進行行人檢測時，我有以下幾點體會：網絡架構復雜度高：與傳統的行人檢測算法相比，YOLOv3的網絡架構更為復雜，需要處理大量的圖像信息和卷積操作。這要求我們具備較強的計算機硬件和編程能力，以便能夠快速調試和優化算法。檢測效果較好：經過多次實驗和調試，我發現YOLOv3在行人檢測中具有很高的準確率和召回率，并且能夠快速地檢測圖像中的行人目標。此外，YOLOv3的檢測速度也比較快，可適用于實時檢測和大規模圖像處理。可擴展性強：由于YOLOv3是一種基于深度學習的算法，因此其具有很強的可擴展性和遷移性。我們可以通過修改網絡結構、數據集和訓練參數等方法，來適配不同的場景和數據需求，實現更廣泛的應用。參考文獻張曉春,孫超,邵源,韓廣廣,徐丹.新時期中國智能交通發展戰略思考[J/OL].城市交通:1-9.蘇慶堂等.MATLAB原理及應用案例教程[M].清華大學出版社,2016.于澤,寧念文,鄭燕柳,呂怡寧,劉富強,周毅.深度強化學習驅動的智能交通信號控制策略綜述[J/OL].計算機科學:1-21.李偉.未來交通運輸是綜合和智慧的——以《“十三五”現代綜合交通運輸體系發展規劃》及相關研究為參考[J].中國公路,2018(05):72-74.李海濱,劉洪,孫麗玫.全國一體化大數據中心體系構建背景下企業數據中心科學規劃的思考[J].電信工程技術與標準化,2021,34(08):11-15.蔣向利.做強做優做大我國數字經濟為經濟社會發展提供強大動力——國務院印發《“十四五”數字經濟發展規劃》[J].中國科技產業,2022(02):14-19.孫奇茹.無人駕駛加速融入城市生活[N].北京日報,2023-01-29(007).金鳳.智慧交通“大腦”疏通城市堵點[N].科技日報,2023-01-05(007).李學鋆,汪怡平,蘇楚奇,宮新樂,黃晉,趙曉敏,張鎮濤.智能車輛路徑跟蹤控制方法研究[J/OL].控制與決策:1-9.肖順亮.面向無人駕駛場景中的行人檢測技術研究[D].中原工學院,2022.劉暢.基于深度學習的行人檢測算法研究[D].東北石油大學,2022.婁翔飛,呂文濤,葉冬,郭慶,魯競,陳影柔.基于計算機視覺的行人檢測方法研究進展[J/OL].浙江理工大學學報(自然科學版):1-12.王麗園,趙陶,王文,肖進勝,熊聞心.具有姿態變化魯棒性的行人檢測跟蹤算法[J].計算機工程與設計,2022,43(10):2877-2881.王婷婷.面向道路交通場景的行人智能檢測方法研究[D].貴州大學,2022.車啟謠,嚴運兵.基于改進YOLOv3的行人檢測研究[J].智能計算機與應用,2022,12(08):8-13.汪潛.基于局部特征與空間變換的復雜場景行人再識別[D].合肥工業大學,2020.田欣.智慧城市中視頻監控大數據的應用探討[J].數字通信世界,2022(05):106-108.劉艷,張海民.面向智慧社區的視頻監控異常行為識別方法的研究[J].新型工業化,2020,10(08):17-18+23.蔣龍龍.運營商開啟5G智慧交通新未來[N].通信信息報,2022-11-16(003).李佳芯.讓智能交通管理系統發揮更大效能[J].道路交通管理,2022(06):86-87.于宵.綜合客運交通樞紐交通信息服務需求分析[J].交通與運輸,2020,33(S1):209-212.魏文強.人工智能在汽車自動駕駛中的應用[J].時代汽車,2022(24):196-198.張濤.落實《國家綜合立體交通網規劃綱要》精神加快建設交通強國[J].中國水運,2021(04):10-13.羅艷,張重陽,田永鴻,郭捷,孫軍.深度學習行人檢測方法綜述[J].中國圖象圖形學報,2022,27(07):2094-2111.王釗,解文彬,文江.基于YOLO的多模態特征差分注意融合行人檢測[J/OL].計算機系統應用:1-10.N.P.G.D.Navoda,M.D.W.Samaranayake,S.L.Liyanage,H.M.T.Herath,J.M.J.K.Jayasinghe.DeterminationofFunctionalPropertiesofSriLankanAmbarella(SpondiasdulcisForst.syn.SpondiascythereaSonn.)FruitandDevelopmentofVacuumDriedAmbarellaFruitPowderandIncorporatedSoupMix[J].AsianFoodScienceJournal,2021.ZhangFei,ZhenPeining,JingDishan,TangXiaotang,CHENHaiBao,YANJie.SVMBasedIntrusionDetectionMethodwithNonlinearScalingandFeatureSelection[J].IEICETransactionsonInformationandSystems,2022,E105.D(5).JiaZiguang,SuXin,MaGuangda,DaiTongtong,SunJiabin.CrackidentificationformarineengineeringequipmentbasedonimprovedSSDandYOLOv5[J].OceanEngineering,2023,268.YangYao,HuangCong,WangHuajun,WanJun,WangZhenheng,MaYu.ResearchonYOLOv3targetdetectionmodelinthefieldofremotesensing[J].JournalofPhysics:ConferenceSeries,2021,2029(1).GajeraHimanshuK.,NayakDeepakRanjan,ZaveriMukeshA..AcomprehensiveanalysisofdermoscopyimagesformelanomadetectionviadeepCNNfeatures[J].BiomedicalSignalProcessingandControl,2023,79(P2).LUTongWei,JIAShiHai,ZHANGHao.MemFRCN:FewShotObjectDetectionwithMemorableFaster-RCNN[J].IEICETransactionsonFundamentalsofElectronics,CommunicationsandComputerSciences,2022,E105.A(12).T-JCheng,BYang,CHolloway,NTyler.Effectofenvironmentalfactorsonhowolderpedestriansdetectanupcomingstep[J].LightingResearch&Technology,2018,50(3).ValarmathiB.,KshitijJain,DimpleRajpurohit,SrinivasaGuptaN.,HaroldRobinsonY.,ArulkumaranG.,MuluTadesse.HumanDetectionandActionRecognitionforSearchandRescueinDisastersUsingYOLOv3Algorithm[J].JournalofElectricalandComputerEngineering,2023,2023.ShenLingzhi,TaoHongfeng,NiYuanzhi,WangYue,StojanovicVladimir.ImprovedYOLOv3modelwithfeaturemapcroppingformulti-scaleroadobjectdetection[J].MeasurementScienceandTechnology,2023,34(4).KarKohitij,KornblithSimon,FedorenkoEvelina.Interpretabilityofartificialneuralnetworkmodelsinartificialintelligenceversusneuroscience[J].NatureMachineIntelligence,2022,4(12).YuanBH,LiuGH.Imageretrievalbasedongradient-structureshistogram[J].NeuralComputingandApplications,2020:1-11.張友海.淺談人工神經網絡的學習算法[J].電腦知識與技術,2018,14(19):218+220.QasimAbboodMahdi,AndriiShyshatskyi,OleksandrSymonenko,NadiiaProtas,OleksandrTrotsko,VolodymyrKyvliuk,ArtemShulhin,PetroSteshenko,EduardOstapchuk,TetianaHolenkovska.Developmentofamethodfortrainingartificialneuralnetworksforintelligentdecisionsupportsystems[J].Eastern-EuropeanJournalofEnterpriseTechnologies,2022,1(9).YuenBrosnan,HoangMinhTu,DongXiaodai,LuTao.Universalactivationfunction