本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的多部位人體檢測

  更多相關(guān)文章： 多部位人體檢測 卷積神經(jīng)網(wǎng)絡(luò) R-CNN 高斯混合模型 K近鄰

【摘要】：人體檢測的目的是識別出圖像中的人體并給出其定位信息。人體檢測技術(shù)在運動分析、智能監(jiān)控以及駕駛輔助系統(tǒng)等領(lǐng)域有著廣泛的應(yīng)用,是物體檢測的一個研究熱點。R-CNN(Regions with Convolutional Neural Network Features)是一種基于區(qū)域的物體檢測算法,該算法將選擇性搜索、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機和非極大值抑制相結(jié)合,在人體檢測方面獲得了較好的檢測效果。但與眾多基于整體的檢測方法一樣,R-CNN沒有給出各個部位的位置,并在應(yīng)對人體多姿態(tài)及遮擋方面存在著不足。相較于基于整體的檢測方法,基于部位的檢測方法能夠比較有效地應(yīng)對這些問題。本文在R-CNN基礎(chǔ)上提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多部位人體檢測算法,通過訓(xùn)練基于人體多部位的R-CNN模型并對其添加空間幾何約束,在提升人體檢測準(zhǔn)確率的同時,能夠顯式的給出人體各個部位的位置。在本文算法中,首先給出基于人體多部位的R-CNN模型。手工標(biāo)注了一個給定人體多個部位的數(shù)據(jù)集后,對該模型進(jìn)行訓(xùn)練。在檢測時,對待檢測圖像,獲取各個候選邊框并用卷積神經(jīng)網(wǎng)絡(luò)提取其特征,通過支持向量機給出其分類的得分,再利用非極大值抑制對重疊較多的候選邊框進(jìn)行剔除。然后,本文算法對基于人體多部位的R-CNN模型提供的候選邊框添加空間幾何約束,形成預(yù)測邊框組合,具體如下:將圖像中的每個候選邊框都假設(shè)為人體整體邊框,并從剩余邊框中尋找使得空間幾何約束得分與支持向量機得分乘積最高的部位邊框,從而得到候選邊框組合,并從中選取得分超過設(shè)定閾值的候選邊框組合作為預(yù)測邊框組合。其中,空間幾何約束包括空間位置約束、高斯混合模型約束和K近鄰約束。實驗結(jié)果表明,本文算法在人體檢測方面取得了較好的效果,具有一定的應(yīng)用價值。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TP183
，

本文編號：1280000