發(fā)布時(shí)間：2021-10-20 23:32

　　隨著人工智能技術(shù)的發(fā)展,行人車輛檢測(cè)正在被廣泛地應(yīng)用于智慧安防、智能交通、無人駕駛等諸多領(lǐng)域,近年來在學(xué)術(shù)界與工業(yè)界得到了越來越多的關(guān)注。傳統(tǒng)的目標(biāo)檢測(cè)算法由于使用人工設(shè)計(jì)圖像特征的方式,特征表達(dá)能力不足,對(duì)多樣性的變化沒有較好的魯棒性,無法滿足實(shí)際應(yīng)用的的需求,行人及車輛的檢測(cè)仍然是一個(gè)極具挑戰(zhàn)性的問題。近年來,因卷積神經(jīng)網(wǎng)絡(luò)（CNN）在機(jī)器視覺領(lǐng)域的普遍應(yīng)用,目標(biāo)檢測(cè)的性能有了大幅度提高。與傳統(tǒng)檢測(cè)方法相比,卷積神經(jīng)網(wǎng)絡(luò)采用高效的目標(biāo)定位方式且能夠根據(jù)對(duì)象的類別自適應(yīng)地提取深層語義特征,從而達(dá)到了對(duì)目標(biāo)的實(shí)時(shí)高精度檢測(cè)。本論文以校園周邊為研究地點(diǎn),針對(duì)來往行人及車輛進(jìn)行實(shí)時(shí)檢測(cè),從監(jiān)控畫面的特性入手,深入淺出地闡述了監(jiān)控畫面中人車檢測(cè)出現(xiàn)的難點(diǎn)和問題,通過理論分析,在實(shí)驗(yàn)的基礎(chǔ)上對(duì)檢測(cè)模型進(jìn)行了性能完善,使基于深度神經(jīng)網(wǎng)絡(luò)的檢測(cè)技術(shù)能夠較好地應(yīng)用到監(jiān)控畫面中的人車檢測(cè)。本論文的主要研究工作分為以下幾個(gè)部分:（1）數(shù)據(jù)集搭建。本文的數(shù)據(jù)集由兩個(gè)部分組成,一部分來自PASCAL VOC數(shù)據(jù)集,共包含20個(gè)類別,從中篩選出人車兩類圖片用于檢測(cè)模型的訓(xùn)練;另一部分來自10個(gè)視頻數(shù)據(jù)源,這些... 

【文章來源】：天津科技大學(xué)天津市

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１人工視頻監(jiān)控??Ｆｉｇ．?１－１?Ａｒｔｉｆｉｃｉａｌ?ｖｉｄｅｏ?ｍｏｎｉｔｏｒｉｎｇ??

ｔｗｙ?▼?ｍｔａｔ＇??‘圈?翅…今??■丨ｉｎ．］……．．上…………．ｉｒ……．．．ｌｉｒ?，士‘翁⑷??ｕ?Ｉ?＊：｜??ｗ＾ｍ?ｙｆ?漏＾“＇ｕ邊?ｊ?ｒｅｓｐｏｎｓｅ?ｏ＃?ｐａｒｔ?ｆｉｂｅｒｓ??ｉ?；??ｌ?■國(guó)??Ｉ??｜????ｃｏｋｉｒ?ｅｎｃｃｃｆｅｉｇ?ｏｆ?ｆｉｌｔｅｒ?ｖ?Ｖ??ｒｅｓｐｏｎｓｅ?ｖａｌｕｅｓ??ｃｗｎｂｍｅｄ?ｓｃｏｒｅ?ｏｆ??ｌｏｗ?ｖａｌｕｅ?ｈｉｇｈ?ｖａｌｕｅ?ｒｏｏｔ?ｔｅｃａｔｋｍｓ??圖１－２ＤＰＭ算法結(jié)構(gòu)示意圖［３１］??Ｆｉｇｕｒｅ．?１－２?ＤＰＭ?ａｌｇｏｒｉｔｈｍ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ［３１］??１．２．２基于候選區(qū)域和ＣＮＮ特征相結(jié)合的目標(biāo)檢測(cè)算法??２０１２?年，ｋｒｉｚｈｅｖｓｋｙ?等［２５］提出基于深度卷積神經(jīng)網(wǎng)絡(luò)（ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ，??ＣＮＮ）的ＡｌｅｘＮｅｔ模型，在ＩｍａｇｅＮｅｔ大規(guī)模圖像識(shí)別競(jìng)賽中分類任務(wù)的性能遠(yuǎn)超基??于傳統(tǒng)視覺特征的方法，錯(cuò)誤率僅為１５．３％，以低于第二名（錯(cuò)誤率２６％）約１１個(gè)??百分點(diǎn)的極大優(yōu)勢(shì)，贏得了比賽的冠軍，從而證明了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在目標(biāo)識(shí)別??中的有效性［３８］。??而在目標(biāo)檢測(cè)方面，Ｇｉｒｓｈｉｄ＃９］等人提出了基于卷積神經(jīng)網(wǎng)絡(luò)與候選區(qū)域相結(jié)合??的Ｒ－ＣＮＮ檢測(cè)算法。Ｒ－ＣＮＮ從圖像中提取出候選區(qū)域并將其變成一個(gè)固定的尺寸，??然后使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選區(qū)域的深度特征進(jìn)行提取，并提交給ＳＶＭ分類器用于??分類Ｗ。Ｒ－Ｃ＿使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的特征進(jìn)行提取，而不是利用傳統(tǒng)的手工設(shè)??計(jì)特征，因此在檢測(cè)精度

?２深度學(xué)習(xí)理論介紹???２．３卷積神經(jīng)網(wǎng)絡(luò)??２．?３．?１卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）是近些年流行起來并且具備高效識(shí)別能力的一類深度模型，??通常由多個(gè)卷積層、池化層以及全連接層構(gòu)成，內(nèi)部結(jié)構(gòu)如圖２－１所示。??輸入層＃積｜化層全連接層??弊戾玲全離接層ｄｏｇ?（０．０１）??圖２－１卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??ＦＩＧ．?２－１?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??模型訓(xùn)練流程：數(shù)據(jù)集中的樣本經(jīng)過預(yù)處理后進(jìn)入ＣＮＮ中開始訓(xùn)練，過程分為??前饋傳播與反向傳播兩個(gè)階段。樣本由輸入層通過非線性映射到達(dá)隱含層，再采取卷??積操作、池化運(yùn)算提取目標(biāo)深層次特征；接著，通過定義損失函數(shù)，算出預(yù)測(cè)值和標(biāo)??簽之間的誤差，采用反向傳播算法逐層反饋?zhàn)詈笠粚拥恼`差值；最后，使用梯度下降??法更新每層參數(shù)。其流程圖如圖２－２所示。??梯度下降，更新參數(shù)??大規(guī)�。樱樱疠敚[丨隱丨輸Ｓ??Ｉ繁一金ｉｆ富ｎ篇藐金１??１?ＬＵ性映性映ＬＵ性映ＬＵ?Ｉ數(shù)??射射射??反向傳播?＜?＞?前饋傳播??圖２－２卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程??Ｆｉｇｕｒｅ．?２－２?ｔｒａｉｎｉｎｇ?ｆｌｏｗ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ｉ．卷積層??在ＣＮＮ中，卷積層的作用十分重要，多位于輸入層之后，目的是學(xué)習(xí)圖像深層次??特征。卷積層的內(nèi)部參數(shù)包含一些能夠自主學(xué)習(xí)的濾波器，對(duì)于輸入圖片的卷積操作??與濾波過程十分相近。濾波器在輸入圖像上通過滑動(dòng)窗口的方式和圖像內(nèi)的部分區(qū)域??進(jìn)行卷積，然后得到新的響應(yīng)圖。卷積層使用局部感知的特點(diǎn)對(duì)圖像區(qū)域

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的視頻跟蹤研究進(jìn)展綜述[J]. 戴鳳智,魏寶昌,歐陽育星,金霞.  計(jì)算機(jī)工程與應(yīng)用. 2019(10)
[2]用于空中紅外目標(biāo)檢測(cè)的增強(qiáng)單發(fā)多框檢測(cè)器方法[J]. 謝江榮,李范鳴,衛(wèi)紅,李冰,邵保泰.  光學(xué)學(xué)報(bào). 2019(06)
[3]基于改進(jìn)SSD的行人檢測(cè)方法[J]. 邢浩強(qiáng),杜志岐,蘇波.  計(jì)算機(jī)工程. 2018(11)
[4]基于改進(jìn)SSD的交通大場(chǎng)景多目標(biāo)檢測(cè)[J]. 華夏,王新晴,王東,馬昭燁,邵發(fā)明.  光學(xué)學(xué)報(bào). 2018(12)
[5]基于改進(jìn)SSD的輕量化小目標(biāo)檢測(cè)算法[J]. 吳天舒,張志佳,劉云鵬,裴文慧,陳紅葉.  紅外與激光工程. 2018(07)
[6]基于深度學(xué)習(xí)的模擬電路故障診斷算法[J]. 易靈芝,肖偉紅,于文新,王根平.  計(jì)算機(jī)工程與應(yīng)用. 2018(24)
[7]基于深度學(xué)習(xí)的目標(biāo)抗干擾跟蹤算法[J]. 閔召陽,趙文杰.  紅外技術(shù). 2018(02)
[8]基于深度學(xué)習(xí)的多視窗SSD目標(biāo)檢測(cè)方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉.  紅外與激光工程. 2018(01)
[9]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計(jì)算機(jī)科學(xué). 2016(02)
[10]基于深度學(xué)習(xí)的監(jiān)控視頻樹葉遮擋檢測(cè)[J]. 鄔美銀,陳黎.  武漢科技大學(xué)學(xué)報(bào). 2016(01)

碩士論文
[1]改進(jìn)的SSD的目標(biāo)檢測(cè)研究[D]. 趙慶北.廣西大學(xué) 2018
[2]基于深度學(xué)習(xí)的監(jiān)控視頻目標(biāo)檢測(cè)技術(shù)研究[D]. 鎖雪萍.天津科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的實(shí)時(shí)目標(biāo)檢測(cè)[D]. 熊恒昌.湖南大學(xué) 2018
[4]基于免疫卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)研究[D]. 張廣磊.東華大學(xué) 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[D]. 李達(dá).湘潭大學(xué) 2016
[6]基于深度學(xué)習(xí)的車輛檢測(cè)方法研究[D]. 張文桂.華南理工大學(xué) 2016
[7]深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測(cè)領(lǐng)域的應(yīng)用研究[D]. 張勇.鄭州大學(xué) 2015
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)與識(shí)別研究[D]. 徐忠成.華中師范大學(xué) 2015
[9]基于視頻序列的運(yùn)動(dòng)目標(biāo)檢測(cè)與陰影抑制算法研究[D]. 蓋琪琳.黑龍江大學(xué) 2015
[10]基于深度學(xué)習(xí)的目標(biāo)跟蹤及異常徘徊檢測(cè)[D]. 鐘俊洪.華南理工大學(xué) 2015



本文編號(hào)：3447802