【摘要】：隨著互聯(lián)網(wǎng)科技的迅猛發(fā)展,超過(guò)85%的信息都以像素的形式存在于互聯(lián)網(wǎng)上。計(jì)算機(jī)視覺(jué)技術(shù)在人類生活中扮演越來(lái)越重要的角色,計(jì)算機(jī)視覺(jué)的研究也越來(lái)越火熱。目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的基本算法,廣泛應(yīng)用于目標(biāo)跟蹤、視頻監(jiān)控、信息安全、自動(dòng)駕駛、圖像檢索、醫(yī)學(xué)影像分析、網(wǎng)絡(luò)數(shù)據(jù)挖掘、無(wú)人機(jī)導(dǎo)航,遙感圖像分析、國(guó)防系統(tǒng)等領(lǐng)域。目前市面上較為常用的圖像目標(biāo)識(shí)別算法需要對(duì)樣本圖片進(jìn)行人為的圖像預(yù)處理和特征提取,算法的處理結(jié)果容易受圖片的背景、光線、尺寸等噪聲影響。本文以基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法為主要研究?jī)?nèi)容,將改進(jìn)后的Faster R-CNN算法運(yùn)用于建筑工地的監(jiān)控視頻圖像,用于檢測(cè)工人是否佩戴安全帽,有助于加強(qiáng)工地安全生產(chǎn)的監(jiān)管力度。本文的主要內(nèi)容如下:1.詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型設(shè)計(jì)流程。從單個(gè)神經(jīng)元的建模理念到常規(guī)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì),最后到CNN的構(gòu)建,逐步闡明適用于圖像特征提取的CNN模型的工作原理。2.介紹了目標(biāo)檢測(cè)的原理和檢測(cè)過(guò)程中相關(guān)細(xì)節(jié)處理,對(duì)目前流行的目標(biāo)檢測(cè)深度網(wǎng)絡(luò)算法進(jìn)行比較說(shuō)明。分析了從R-CNN到Faster R-CNN的三種基于候選區(qū)域的系列方法以及YOLO、SSD兩種基于回歸的系列方法。最后使用VOC公開(kāi)數(shù)據(jù)集對(duì)Faster R-CNN進(jìn)行訓(xùn)練測(cè)試,得出了算法在目標(biāo)分類中的平均準(zhǔn)確率、圖片處理效率和圖片處理效果等實(shí)驗(yàn)結(jié)果。3.改進(jìn)實(shí)驗(yàn)中的算法訓(xùn)練過(guò)程,在訓(xùn)練集中加入負(fù)樣本挖掘的策略,以此提高實(shí)驗(yàn)算法的檢測(cè)精度�；诟倪M(jìn)算法對(duì)實(shí)驗(yàn)樣本進(jìn)行模型訓(xùn)練、測(cè)試與評(píng)估。利用實(shí)驗(yàn)測(cè)試集對(duì)YOLO、SSD、Faster RCNN以及改進(jìn)后的模型進(jìn)行測(cè)試,根據(jù)每個(gè)算法在測(cè)試樣本中的表現(xiàn)對(duì)改進(jìn)后的算法性能進(jìn)行評(píng)估,并將改進(jìn)后算法成功地應(yīng)用于工地安全帽檢測(cè)項(xiàng)目。以下是本文的創(chuàng)新點(diǎn)所在:(1)在建筑工地的安全帽檢測(cè)項(xiàng)目中,使用深度神經(jīng)網(wǎng)絡(luò)算法取代傳統(tǒng)的圖像特征處理和分類方法,簡(jiǎn)化了繁瑣的圖片預(yù)處理過(guò)程并提升了系統(tǒng)的泛化能力。(2)改進(jìn)Faster R-CNN算法的訓(xùn)練過(guò)程,針對(duì)實(shí)驗(yàn)數(shù)據(jù)集,在訓(xùn)練過(guò)程中,設(shè)計(jì)加入難負(fù)樣本挖掘的訓(xùn)練策略,提高了算法的檢測(cè)精度。(3)應(yīng)用于安全帽項(xiàng)目的檢測(cè)模型能同時(shí)識(shí)別安全帽和工人兩個(gè)目標(biāo),從而判斷檢測(cè)目標(biāo)之間的關(guān)系。
【圖文】：

個(gè)突觸連接起來(lái)，然后通過(guò)相應(yīng)軸突產(chǎn)生輸出信號(hào)，信號(hào)經(jīng)過(guò)突[14]。我們將生物學(xué)運(yùn)用于工程學(xué)，得到神經(jīng)網(wǎng)幟。與結(jié)構(gòu)下一個(gè)神經(jīng)是否將被激活取決于通過(guò)樹(shù)突傳定的閾值，則神經(jīng)元將會(huì)被激活，進(jìn)而向軸，假設(shè)一神經(jīng)元軸突產(chǎn)生信號(hào)0x ，突觸的強(qiáng)突進(jìn)行乘法交互即0 0w x。神經(jīng)元計(jì)算建模時(shí)過(guò)學(xué)習(xí)得到，而權(quán)重的正負(fù)值則表示該單元奮還是使其抑制。圖 2.1 為神經(jīng)元單元數(shù)學(xué)模

用于建筑工地安全生產(chǎn)監(jiān)控的目標(biāo)檢測(cè)算法研究moid 函數(shù)的數(shù)學(xué)表達(dá)式為 ( ) 1/(1 )x x e ，它將輸入的實(shí)數(shù)值壓縮，將無(wú)限大的負(fù)數(shù)變?yōu)?0，將無(wú)限大的正數(shù)變?yōu)?1。Sigmoid 函數(shù)的優(yōu)釋了在不同頻率下單元的激活狀態(tài)，從開(kāi)始的 0 值單元完全不激活，到率處神經(jīng)元完全飽和的激活。但由于單元的激活在接近 0 或 1 時(shí)飽和，得反向傳播時(shí)與該梯度相乘的結(jié)果也趨于零，最終導(dǎo)致網(wǎng)絡(luò)無(wú)法學(xué)習(xí)該函數(shù)的輸出中心不為 0，也會(huì)影響反向傳播時(shí)權(quán)重的更新出現(xiàn)Z 字型播結(jié)果造成一定影響。 Tanh 函數(shù)的表達(dá)式tanh( x ) 2 (2 x) 1中可看出，，tanh 函數(shù)其實(shí)就簡(jiǎn)單放大，但不同于 Sigmoid 函數(shù)將輸入值壓縮至[0,1]，tanh 函數(shù)將輸至[-1,1]，所以 tanh 函數(shù)繼承的 Sigmoid 函數(shù)的優(yōu)點(diǎn)，同時(shí)使輸出的中存在單元的飽和問(wèn)題，圖 2.2 分別為 Sigmoid 函數(shù)與 tanh 函數(shù)的曲線
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TU714

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 李永紅;盧昭金;劉哲;石海杰;;基于直線和SIFT融合特征的物體識(shí)別研究[J];國(guó)外電子測(cè)量技術(shù);2009年06期

2 張蕾;普杰信;范慶輝;;基于遺傳算法和BP網(wǎng)絡(luò)的物體識(shí)別方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2008年07期

相關(guān)博士學(xué)位論文 前1條

1 李濤;基于上下文的目標(biāo)檢測(cè)研究[D];電子科技大學(xué);2016年

本文編號(hào)：2687497