本文關(guān)鍵詞： 人體檢測 卷積神經(jīng)網(wǎng)絡(luò) 深度學(xué)習(xí) 隨機(jī)Dropout　出處：《大連海事大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在計(jì)算機(jī)視覺領(lǐng)域中,人體檢測是一個重要的研究課題。人體檢測是指檢測出圖像中是否有人體目標(biāo)的過程,其在人工智能、智能視頻監(jiān)控、智能車輛輔助、智能人機(jī)交互系統(tǒng)等現(xiàn)今的高科技領(lǐng)域中都有很高的應(yīng)用價值。本文采用了一種基于卷積神經(jīng)網(wǎng)絡(luò)的人體檢測方法。卷積神經(jīng)網(wǎng)絡(luò)是一種將深度學(xué)習(xí)理論結(jié)合到傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的新興模式識別方法。傳統(tǒng)人體檢測方法中,通常先人工提取特征,再將特征描述輸入到一個分類器中進(jìn)行訓(xùn)練學(xué)習(xí)。然而,人工提取特征的過程比較復(fù)雜,且依賴于具體任務(wù),故要求研究者具有較高的學(xué)術(shù)水平且經(jīng)驗(yàn)豐富。卷積神經(jīng)網(wǎng)絡(luò)不需要事先對圖像人工提取特征,而是模擬人類的視覺神經(jīng)系統(tǒng),直接對原始圖像進(jìn)行逐層處理來進(jìn)行識別。通過局部連接、權(quán)值共享和下采樣的方式,該方法使網(wǎng)絡(luò)中的參數(shù)大大減少,且對圖像一定程度的形變有較好的魯棒性。本文的主要工作如下:(1)在深入學(xué)習(xí)了卷積神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上,分析了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法思想,并根據(jù)卷積核、網(wǎng)絡(luò)深度、特征維數(shù)等網(wǎng)絡(luò)參數(shù)的不同,設(shè)計(jì)了若干網(wǎng)絡(luò)模型。(2)將INRIA數(shù)據(jù)庫作為訓(xùn)練樣本,對上述網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn),通過對比識別效果,分析上述相關(guān)參數(shù)對網(wǎng)絡(luò)的影響,并選出性能最佳的網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)訓(xùn)練10次開始收斂,識別率達(dá)到95.56%。(3)鑒于深度學(xué)習(xí)多使用大樣本集,本文基于小樣本集采用了一種改進(jìn)的算法,引入隨機(jī)Dropout,將一部分的神經(jīng)節(jié)點(diǎn)隨機(jī)數(shù)置零,保持其權(quán)值不更新。對改進(jìn)的模型在INRIA子集和自建樣本集上進(jìn)行驗(yàn)證。實(shí)驗(yàn)證明,該方法可以在小樣本情況下提高人體的識別率,有效緩解過擬合現(xiàn)象。
[Abstract]:In the field of computer vision, human detection is an important research topic. Human detection refers to the process of detecting whether there is a human object in the image, which is used in artificial intelligence, intelligent video surveillance and intelligent vehicle assistance. Intelligent human-computer interaction systems and other high-tech fields have high application value. In this paper, a human body detection method based on convolution neural network is adopted. Convolution neural network is a combination of depth learning theory. New pattern recognition methods in traditional neural networks. Usually, the feature is extracted manually, then the feature description is input into a classifier for training. However, the process of feature extraction is complex and dependent on specific tasks. Therefore, researchers are required to have a high academic level and rich experience. Convolution neural networks do not need to manually extract features from images, but simulate the visual nervous system of human beings. Through local connection, weight sharing and downsampling, the parameters in the network are greatly reduced. The main work of this paper is as follows: 1) on the basis of deeply studying the theory of convolution neural network, the structure and algorithm of convolution neural network are analyzed. According to the different network parameters such as convolution kernel, network depth and characteristic dimension, several network models are designed. (2) the INRIA database is used as the training sample, and the above network model is tested. By comparing the recognition effect, the influence of the above parameters on the network is analyzed, and the network model with the best performance is selected. The network training begins to converge 10 times. In view of the large sample set used in depth learning, this paper uses an improved algorithm based on small sample set to introduce random Dropout. A part of the neural nodes are set to zero and their weights are not updated. The improved model is verified on the INRIA subset and the self-built sample set. This method can improve the recognition rate of human body in the case of small sample, and effectively alleviate the phenomenon of overfitting.
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前6條

1 陳雷;楊俊安;王龍;李晉徽;;連續(xù)語音識別中基于Dropout修正線性深度置信網(wǎng)絡(luò)的聲學(xué)模型[J];聲學(xué)技術(shù);2016年02期

2 姜楓;張麗紅;;基于隨機(jī)Dropout卷積神經(jīng)網(wǎng)絡(luò)的人體行為識別方法研究[J];測試技術(shù)學(xué)報(bào);2016年01期

3 張靜;桑紅石;;基于初始尺度變換的SIFT匹配算法[J];紅外與毫米波學(xué)報(bào);2014年02期

4 孫志軍;薛磊;許陽明;王正;;深度學(xué)習(xí)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2012年08期

5 傅衛(wèi)平;秦川;劉佳;楊世強(qiáng);王雯;;基于SIFT算法的圖像目標(biāo)匹配與定位[J];儀器儀表學(xué)報(bào);2011年01期

6 黃茜;顧杰峰;楊文亮;;基于梯度向量直方圖的行人檢測[J];科學(xué)技術(shù)與工程;2009年13期

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 吳正文;卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D];電子科技大學(xué);2015年

2 萬維;基于深度學(xué)習(xí)的目標(biāo)檢測算法研究及應(yīng)用[D];電子科技大學(xué);2015年

3 黃咨;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測模型的研究[D];上海交通大學(xué);2015年

4 陳益如;基于視覺的行人檢測算法研究及系統(tǒng)設(shè)計(jì)[D];浙江大學(xué);2014年

5 陳先昌;基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)算法與應(yīng)用研究[D];浙江工商大學(xué);2014年

6 甘國龍;基于特征學(xué)習(xí)的人體檢測[D];電子科技大學(xué);2012年

7 蘇松志;復(fù)雜背景下的行人檢測技術(shù)研究[D];廈門大學(xué);2008年

，

本文編號：1459306