隨著互聯(lián)網信息時代的到來,以滿足消費者需求和提升效率為核心的智慧門店逐漸興起。在線下場景,如何充分利用視頻圖像信息來分析顧客興趣點,挖掘潛在價值,指導商品企劃,成為商家越來越關注的問題。目前,計算機視覺技術飛速發(fā)展,以目標檢測技術與屬性識別技術為核心的視覺感知系統(tǒng)能夠從監(jiān)控視頻信息中檢測到顧客并識別出基本的屬性特征,為商家制定后續(xù)服務策略提供幫助。然而,視覺感知系統(tǒng)仍然存在一些問題亟待解決:（1）商場超市等復雜場景下的監(jiān)控視頻質量會受到采光因素的影響,從而對后續(xù)的檢測與識別造成干擾;（2）目標檢測算法在保證實時性的同時要滿足檢測精度的需求;（3）屬性識別算法的識別結果需要盡可能準確;（4）基于深度學習的目標檢測與屬性識別技術在不同場景下的檢測與識別表現(xiàn)會有所差異。針對以上問題,本文的主要工作和研究內容如下。（1）闡述本文的研究意義,介紹目標檢測與屬性識別技術的研究現(xiàn)狀以及本文系統(tǒng)的相關技術原理。（2）對比當前的暗光增強技術,根據智慧門店場景需求,設計了基于拋物線函數(shù)增亮的暗光增強方法,在保證實時性的同時暗光增強效果良好。（3）對比現(xiàn)有的檢測算法,根據YOLOv3算法在檢測小目標方面表現(xiàn)... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖１．１?Ｒ－ＣＮＮ算法檢測過程??２??

ＮＮ網絡共享卷積層，以減少整個網絡的運算??時間，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法檢測一張圖片耗時大約〇．２ｓ，接近實時檢測的速度。??２０１６年，Ｊｏｓｅｐｈ等人提出ＹＯＬＯ算法［２６！，把目標檢測問題看做包含分類信??息的空間位置回歸問題，為目標檢測開辟了新思路。ＹＯＬＯ算法使用端到端的設??計，相較于Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法，ＹＯＬＯ算法對整幅圖片進行卷積，使用圖片的??全局信息，對圖像中的目標位置及類別做出預測，Ｙ〇Ｌ〇算法結構更為簡單，檢??測速度更快。ＹＯＬＯ的網絡結構如圖１．２所示。??３?＼Ｔｔ￣?￣２５６￣?Ｓ１Ｚ?１０３４?１０２４?ＷＷ?４０９６?３０??Ｃｏｎｖ．?Ｌｏｙｖｒ?Ｃｏｎｖ．?Ｌａｙｗ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｖ．?Ｌｏｙ？ｎ?Ｃｏｎｖ．?Ｌｏｙａｒｊ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｎ．?Ｌｏｙ？ｆ?Ｇ＞ｎｎ．?Ｌａｙｅｒ??７ｘ７ｘ６４－ｖ２?３ｘ３ｘ１９２?１ｘ１ｘ１２８?１ｘ１ｘ２５６－｝?ｘ４?Ｊｘｌｘ５１２?｜ｘ２?３ｘ３ｘ１０２４??Ｍａｘｐｏｏｌ?Ｌａｙｏｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?３ｘ３ｘ２５６?３ｘ３ｘ５１２?ｉ?３ｘ３ｘ１０２４?ｉ?３ｘ３ｘ１０２＾??２ｘ２＋２?２＊２＋２?１ｘ１ｘ２５６?１ｘ１ｘ５１２?３ｘ３ｘ１０２４??３ｘ３ｘ５１２?３ｘ３ｘ１０２４?３ｘ３ｘ１０２４＾－２??Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ??２＊２ｖｖ２?２ｘ２＋２??圖１．２?ＹＯＬＯ網絡結構??隨后，Ｊｏｓｅｐｈ等人對ＹＯＬＯ算法進行改進，提出ＹＯＬＯＷＯＯ算法＿，該算??法步驟復雜，實現(xiàn)難度大。２０１６年，

算法設計了一種區(qū)域建議網絡ＲＰＮ來生成Ｒｅ§ｉｏｎ??Ｐｒｏｐｏｓａｌ，提升了檢測的效率。??Ｆａｓｔｅｒ－ＲＣＮＮ算法設計的ＲＰＮ以卷積特征圖為輸入，生成的Ｐｒｏｐｏｓａｌ為輸??出。其中，ＲＰＮ網絡和卷積神經網絡共享Ｆｅａｔｕｒｅ?ｍａｐ，在中心設置ａｎｃｈｏｒ生成??ｎｘｎ的滑窗，通過滑窗使得預設的ａｎｃｈｏｒ?ｂｏｘ映射到原圖，從而獲取候選區(qū)域。??文獻［丨０］中設置了?３種不同尺度的ａｎｃｈｏｒ?ｂｏｘ，每個滑窗提取９個Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌ。??ＲＰＮ網絡示意圖如圖２．５所示。??｛?］?ａｎｃｈｏｒ?ｂｏｘｅｓ??／：：§??＼?＼?＼＞＼?＼?ＸＨ；’’??＼＼＼＼ｕ??Ｆｅａｔｕｒｅ?＼?＼＾?＼?＼?？??ｓｌ＾ｎ＾ｉｎ３９ｗ＼?＼?＼?？??＼＼＼＼＼＼＼??圖２．５?ＲＰＮ網絡示意圖??ＲＰＮ網絡取代了?Ｓｅｌｅｃｔｉｖｅ?Ｓｅａｒｃｈ與Ｅｄｇｅ?Ｂｏｘｅｓ等區(qū)域選擇方法，因為與卷??積神經網絡共享Ｆｅａｔｕｒｅ?ｍａｐ，所以在檢測速度方面有了很大的提升�？梢詫�??Ｆａｓｔｅｒ－ＲＣＮＮ算法看做是ＲＰＮ網絡與Ｆａｓｔ－ＲＣＮＮ算法的結合，兩者共享Ｆｅａｔｕｒｅ??ｍａｐ，ＲＰＮ?網絡生成?Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌｓ，Ｆａｓｔ－ＲＣＮＮ?網絡進行分類。Ｆａｓｔｅｒ－ＲＣＮＮ??１３??

【參考文獻】：
期刊論文
[1]新零售智慧門店OMO創(chuàng)新模式研究[J]. 時應峰,張洪.  商業(yè)經濟研究. 2018(13)
[2]“新零售”的概念、研究框架與發(fā)展趨勢[J]. 鄢章華,劉蕾.  中國流通經濟. 2017(10)
[3]圖像增強算法綜述[J]. 王浩,張葉,沈宏海,張景忠.  中國光學. 2017(04)
[4]新零售的產生與演進[J]. 徐印州,林梨奎.  商業(yè)經濟研究. 2017(15)
[5]“新零售”的含義、模式及發(fā)展路徑[J]. 趙樹梅,徐曉紅.  中國流通經濟. 2017(05)
[6]智能視頻監(jiān)控技術綜述[J]. 黃凱奇,陳曉棠,康運鋒,譚鐵牛.  計算機學報. 2015(06)
[7]一種顏色保持的彩色圖像增強新算法[J]. 趙全友,潘保昌,鄭勝林,戰(zhàn)蔭偉.  計算機應用. 2008(02)
[8]Retinex彩色圖像增強理論的物理思考及其截斷區(qū)間對圖像質量的影響[J]. 江興方,陶純堪.  光學技術. 2007(01)



本文編號：2987420