由于其應(yīng)用場(chǎng)景的廣泛性,行人檢測(cè)技術(shù)對(duì)于機(jī)器人、汽車輔助駕駛及自動(dòng)駕駛、視頻的監(jiān)控以及對(duì)于視頻中行人的行為預(yù)判提供了非常重要的技術(shù)支持,使其成為計(jì)算機(jī)領(lǐng)域一個(gè)非常重要的分支。近年來(lái),智能家居系統(tǒng)的概念已經(jīng)走向大眾并且得到了廣泛的應(yīng)用,現(xiàn)在的智能家居系統(tǒng)都配備有監(jiān)控系統(tǒng),室內(nèi)和門(mén)口以及室外都可以或者需要安裝監(jiān)控系統(tǒng)以備不時(shí)之需。監(jiān)控系統(tǒng)給家庭環(huán)境帶來(lái)了極大的安全保障。行人檢測(cè)作為視頻監(jiān)控中的主要問(wèn)題,研究相關(guān)算法對(duì)于提高智能家居中監(jiān)控視頻的性能具有很重要的意義。行人檢測(cè)的研究和發(fā)展主要經(jīng)歷了三個(gè)階段:首先是基于圖像處理的行人檢測(cè)方法:光流法、幀差法和背景差法。然后,2005年提出的梯度方向直方圖成為這一領(lǐng)域的一大突破,基于HOG(Histogram of Oriented Gradient,梯度方向直方圖)的特征提取使得行人直接類內(nèi)的特征差異小而與其他類別之間的差異大。此后的行人、目標(biāo)檢測(cè)方法的發(fā)展和優(yōu)化都是在這個(gè)基礎(chǔ)上進(jìn)行發(fā)展的。最后一種就是現(xiàn)階段效果最優(yōu)的基于深度學(xué)習(xí)的方法,目標(biāo)檢測(cè)中較為突出的代表則是 Faster R-CNN(Faster Regions with convolutional neural networks features),無(wú)論是速度還是精度上都具有很大的優(yōu)勢(shì)。本文對(duì)比了多種行人檢測(cè)方法,對(duì)各種方法存在的問(wèn)題進(jìn)行了分析,最終將基于Faster R-CNN的目標(biāo)檢測(cè)方法運(yùn)用到了智能家居中的行人檢測(cè)中,取得的主要研究成果如下。(1)分別利用背景建模和幀間差法,以及基于機(jī)器學(xué)習(xí)的提取圖像HOG特征,結(jié)合SVM分類器對(duì)智能家居監(jiān)控視頻中的行人進(jìn)行檢測(cè),并對(duì)每種方法存在的問(wèn)題進(jìn)行了總結(jié);(2)設(shè)計(jì)與實(shí)現(xiàn)了將Faster R-CNN算法運(yùn)用在智能家居的行人檢測(cè)當(dāng)中,構(gòu)建并實(shí)現(xiàn)了行人檢測(cè)系統(tǒng),并且通過(guò)GPU對(duì)行人檢測(cè)進(jìn)行加速以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。(3)利用智能家居中的行人檢測(cè)系統(tǒng),我們可以實(shí)現(xiàn)1)運(yùn)用Faster R-CNN算法檢測(cè)行人并保存下圖像;2)發(fā)送該圖像到網(wǎng)絡(luò)服務(wù)器;3)將上傳到服務(wù)器上的圖片推送到手機(jī),對(duì)智能家庭的安全性提供保障。實(shí)驗(yàn)證明,即使在復(fù)雜的場(chǎng)景中,本系統(tǒng)的實(shí)時(shí)性也滿足要求,具備良好的性能。
【學(xué)位單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP391.41;TU855
【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 智能家居中行人檢測(cè)的背景和意義
    1.2 行人檢測(cè)研究難點(diǎn)及研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文組織架構(gòu)
第2章 行人檢測(cè)相關(guān)技術(shù)
    2.1 圖像處理基礎(chǔ)
        2.1.1 圖像預(yù)處理
        2.1.2 圖像分割
    2.2 傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)的方法
        2.2.1 背景減去法
        2.2.2 幀差法
        2.2.3 基于背景建模的行人檢測(cè)
    2.3 基于HOG特征提取與SVM分類器的行人檢測(cè)
        2.3.1 提取圖像的HOG特征
        2.3.2 支持向量機(jī)SVM的分類器
        2.3.3 基于HOG和SVM的行人檢測(cè)過(guò)程和結(jié)果
    2.4 深度學(xué)習(xí)基礎(chǔ)
        2.4.1 監(jiān)督學(xué)習(xí)
        2.4.2 神經(jīng)網(wǎng)絡(luò)
        2.4.3 網(wǎng)絡(luò)的反向傳播
        2.4.4 卷積神經(jīng)網(wǎng)絡(luò)
第3章 基于Faster R-CNN的智能家居的行人檢測(cè)
    3.1 基于深度學(xué)習(xí)的Faster R-CNN的基礎(chǔ)
        3.1.1 區(qū)域建議網(wǎng)絡(luò)
        3.1.2 平移不變的錨點(diǎn)
        3.1.3 學(xué)習(xí)區(qū)域建議的損失函數(shù)
        3.1.4 優(yōu)化
        3.1.5 區(qū)域建議和物體檢測(cè)共享卷積特征
        3.1.6 利用CUDA對(duì)非極大值抑制部分加速計(jì)算
    3.2 行人檢測(cè)網(wǎng)絡(luò)訓(xùn)練
        3.2.1 訓(xùn)練流程
        3.2.2 具體的訓(xùn)練細(xì)節(jié)
    3.3 智能家居中行人檢測(cè)流程
    3.4 檢測(cè)結(jié)果與分析
第4章 智能家居中行人檢測(cè)的系統(tǒng)設(shè)計(jì)
    4.1 系統(tǒng)的整體架構(gòu)
    4.2 利用Socket將圖片上傳到服務(wù)器
        4.2.1 Socket通信的基礎(chǔ)知識(shí)
        4.2.2 對(duì)數(shù)據(jù)加包頭進(jìn)行傳輸
    4.3 利用個(gè)推將消息推送到手機(jī)
    4.4 實(shí)驗(yàn)結(jié)果與分析
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 於正強(qiáng);潘赟;宦若虹;;一種結(jié)合幀差法和混合高斯的運(yùn)動(dòng)檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用與軟件;2015年04期

2 閆鈞華;杭誼青;許俊峰;儲(chǔ)林臻;;基于CUDA的高分辨率數(shù)字視頻圖像配準(zhǔn)快速實(shí)現(xiàn)[J];儀器儀表學(xué)報(bào);2014年02期

3 郝維來(lái);吳旨競(jìng);;基于隔幀差分和背景減去法的運(yùn)動(dòng)車輛檢測(cè)算法[J];工業(yè)儀表與自動(dòng)化裝置;2013年03期

4 吳頎峰;董丹丹;;基于GPU的數(shù)字圖像處理算法研究[J];青春歲月;2012年14期

5 劉松濤;殷福亮;;基于圖割的圖像分割方法及其新進(jìn)展[J];自動(dòng)化學(xué)報(bào);2012年06期

6 張秋仙;;幀間差分法與平均背景法在運(yùn)動(dòng)檢測(cè)中應(yīng)用的研究[J];企業(yè)科技與發(fā)展;2010年18期

7 張廣坤;宋進(jìn);李培龍;李玲;;基于多幀差分與自適應(yīng)技術(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法研究[J];機(jī)電一體化;2010年07期

8 張藝瀕;張志斌;趙詠;郭莉;;TCP與UDP網(wǎng)絡(luò)流量對(duì)比分析研究[J];計(jì)算機(jī)應(yīng)用研究;2010年06期

9 夏玲;王偉平;;客戶端與服務(wù)器端的Socket通信[J];電腦知識(shí)與技術(shù);2009年04期

10 王榮本;郭烈;金立生;顧柏園;余天洪;;智能車輛安全輔助駕駛技術(shù)研究近況[J];公路交通科技;2007年07期

本文編號(hào)：2878785