本文關鍵詞：基于雙人體可變形部件模型的深層人體檢測

  更多相關文章： 多人體檢測 可變形部件模型 深層模型

【摘要】：人體檢測在智能輔助駕駛系統(tǒng)和智能監(jiān)控系統(tǒng)等方面有著廣泛的應用前景,已逐漸成為計算機視覺和人工智能等領域重要的研究內容。目前,人體檢測技術仍然存在很大的提升空間,本課題的目的是要對目前人體檢測算法存在的兩個主要問題進行研究并改進,一是在檢測靠得很近或相互遮擋的多人體目標時容易出現漏檢,二是如何提取更完善的人體特征。本課題在詳細分析可變形部件模型(Deformable Part Model, DPM)的基礎上,提出了基于雙人體可變形部件模型的人體檢測算法,該算法采用對圖像分區(qū)域匹配和對匹配結果融合的方法來減少多人體檢測的漏檢情況。隨后對深層模型(Deep Model)進行深入研究,并提出基于雙人體深層模型的人體檢測算法,該算法通過對基于雙人體可變形部件模型的人體檢測算法返回的窗口和在輸入圖像上滑動掃描生成的窗口組成的混合窗口進行確認來減少誤檢情況。這種將雙人體可變形部件模型和雙人體深層模型相結合的創(chuàng)新性研究,實現了在充分利用各自優(yōu)點的同時彌補了各自的缺點。從實驗結果可以看出,雙人體可變形部件模型在一定程度上降低了漏檢率,而雙人體深層模型進一步降低了誤檢率,二者的結合在保證檢測效率的同時提高了檢測效果,確保了整體算法的有效性,證明算法達到了本課題預期的檢測效果。
【關鍵詞】：多人體檢測 可變形部件模型 深層模型
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第1章 緒論9-17
• 1.1 課題研究背景及意義9-10
• 1.2 國內外研究發(fā)展現狀10-13
• 1.2.1 基于底層的特征提取10-12
• 1.2.2 基于組合特征的特征提取12
• 1.2.3 基于深度學習的特征提取12-13
• 1.3 現階段存在的問題13-14
• 1.4 本文主要工作及安排14-17
• 1.4.1 主要工作內容14-15
• 1.4.2 本文組織結構15-17
• 第2章 可變形部件模型和深層模型的基本原理17-30
• 2.1 人體檢測算法流程17
• 2.2 可變形部件模型及人體檢測17-23
• 2.2.1 檢測算法概述17-19
• 2.2.2 可變形部件模型19-20
• 2.2.3 負樣本難例20-21
• 2.2.4 模型訓練過程21-22
• 2.2.5 模型匹配過程22-23
• 2.3 深層模型及人體檢測23-28
• 2.3.1 檢測算法概述23-24
• 2.3.2 深層模型24-27
• 2.3.3 模型訓練及匹配過程27-28
• 2.4 模型在人體檢測中的應用28-30
• 第3章 圖像樣本預處理及評價方法30-37
• 3.1 圖像數據庫簡介30-32
• 3.1.1 INRIA數據庫30-31
• 3.1.2 Caltech-USA數據庫31-32
• 3.2 數據庫預處理32-34
• 3.2.1 單人體訓練集32-33
• 3.2.2 雙人體訓練集33-34
• 3.3 評價方法34-36
• 3.3.1 混淆矩陣34-35
• 3.3.2 ROC曲線35
• 3.3.3 DET曲線35-36
• 3.4 本章小結36-37
• 第4章 基于雙人體可變形部件模型的人體檢測算法37-48
• 4.1 檢測算法概述37-38
• 4.2 模型訓練38-41
• 4.2.1 特征金字塔尺度38-39
• 4.2.2 結果分析39-41
• 4.3 模型匹配及融合41-43
• 4.3.1 模型匹配41-42
• 4.3.2 分區(qū)域匹配結果融合42-43
• 4.4 實驗結果與分析43-46
• 4.4.1 閾值調節(jié)實驗44
• 4.4.2 算法對比實驗44-46
• 4.5 本章小結46-48
• 第5章 基于雙人體深層模型的人體檢測算法48-57
• 5.1 檢測算法概述48-49
• 5.2 模型訓練49-51
• 5.2.1 圖像預處理49-50
• 5.2.2 雙人體拆分及部件組合50-51
• 5.2.3 卷積神經網絡結構51
• 5.3 檢測窗口的確認與判別51-53
• 5.3.1 窗口組成51-52
• 5.3.2 窗口確認52-53
• 5.4 實驗結果與分析53-56
• 5.4.1 閾值調節(jié)實驗53-54
• 5.4.2 算法對比實驗54-56
• 5.5 本章小結56-57
• 第6章 總結與展望57-59
• 6.1 總結57
• 6.2 展望57-59
• 參考文獻59-64
• 致謝64

【相似文獻】

中國期刊全文數據庫 前10條

1 丁建浩;耿衛(wèi)東;王毅剛;;基于多部位多示例學習的人體檢測[J];模式識別與人工智能;2012年05期

2 王敏;趙娜娜;劉忠杰;黃榜;宋小波;朱擎飛;;視頻中的人體檢測算法[J];自動化博覽;2013年02期

3 孫宏國;李天然;蒲寶明;張全發(fā);王慧靜;;復雜背景下人體檢測算法[J];計算機系統(tǒng)應用;2013年04期

4 潘鋒,王宣銀;基于支持向量機的復雜背景下的人體檢測[J];中國圖象圖形學報;2005年02期

5 呂治國;徐昕;賀漢根;;基于可變模板和支持向量機的人體檢測[J];計算機應用;2007年09期

6 湯一平;李雯;;基于全方位視覺的快速實時人體檢測[J];浙江工業(yè)大學學報;2008年04期

7 方明;;一種基于圖像的人體檢測方法[J];科技資訊;2009年27期

8 賈棋;郭禾;宮宇;;一種實用的運動人體檢測與陰影消除方法[J];系統(tǒng)仿真學報;2009年S2期

9 蘇海明;;基于頭部特征的人體檢測[J];信息與電腦(理論版);2010年03期

10 黃永鑫;;運動人體檢測的關鍵技術研究[J];硅谷;2010年17期

中國重要會議論文全文數據庫 前4條

1 孫慶杰;;基于顏色量化的人體檢測[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

2 龔華;李繼云;;運動人體檢測算法比較研究[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

3 顧爽;陳啟軍;;基于邊緣類型比率特征的人體檢測算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

4 陳亞菲;張寶昌;;基于L2-norm最小化的人體檢測[A];第八屆全國信息獲取與處理學術會議論文集[C];2010年

中國重要報紙全文數據庫 前3條

1 成都 胥紹禹 編譯;人體檢測夜間自動照明燈[N];電子報;2007年

2 劉文靜;測頭發(fā)可知健康狀況[N];新華每日電訊;2003年

3 劉文靜;只需剪一縷頭發(fā) 就測出健康狀況[N];新華每日電訊;2004年

中國博士學位論文全文數據庫 前9條

1 林逸峰;基于計算機視覺的人體檢測和人臉識別[D];吉林大學;2012年

2 劉亞洲;基于時空分析和多粒度特征表示的人體檢測方法研究[D];哈爾濱工業(yè)大學;2009年

3 丁建浩;基于單目視覺的人體檢測和運動恢復[D];浙江大學;2013年

4 李春明;視頻圖像中的運動人體檢測和人臉識別[D];西安電子科技大學;2005年

5 倪洪印;基于視頻的人體檢測與目標跟蹤方法研究[D];吉林大學;2014年

6 于海濱;基于頭部特征提取的人體檢測與跟蹤及其應用[D];浙江大學;2007年

7 葉青;無標記人體運動捕捉技術的研究[D];北京郵電大學;2014年

8 Nasir Saleem（薩里姆）;視頻監(jiān)控中的人體分割、識別與跟蹤[D];北京郵電大學;2013年

9 郭星;大屏幕人機互動中若干關鍵技術研究[D];安徽大學;2013年

中國碩士學位論文全文數據庫 前10條

1 姚河花;基于梯度方向直方圖的人體檢測算法的改進[D];電子科技大學;2014年

2 翟淵;基于電子巡考系統(tǒng)的缺考、代考預警研究[D];復旦大學;2013年

3 吳亞順;基于視頻序列的運動人體檢測和跟蹤[D];西華大學;2015年

4 常峰;基于多特征和級聯(lián)分類器的人體檢測算法[D];合肥工業(yè)大學;2014年

5 張宗楠;基于嵌入式系統(tǒng)的人體跟蹤方法研究與實現[D];重慶大學;2015年

6 萬雪飛;基于雙人體可變形部件模型的深層人體檢測[D];大連海事大學;2016年

7 崔新毅;視頻序列中的人體檢測方法研究[D];哈爾濱工業(yè)大學;2007年

8 甘國龍;基于特征學習的人體檢測[D];電子科技大學;2012年

9 邵春艷;基于空間上下文的人體檢測算法研究[D];哈爾濱工程大學;2012年

10 孫迪;基于結構輸出回歸的人體檢測[D];哈爾濱工程大學;2013年

，

本文編號：918157