發(fā)布時間：2021-01-18 04:03

　　作為目標檢測領域的特定課題,行人檢測主要研究如何快速準確地從圖像或者視頻中檢測出行人目標,并得到其精確坐標。行人檢測的應用廣泛,在無人駕駛、智能監(jiān)控、客流量統(tǒng)計、機器人視覺以及人體行為分析等領域都發(fā)揮著重要作用。但由于行人目標形狀姿態(tài)多樣,服飾裝扮各異,在不同視角和光照條件下所表現(xiàn)出來的形態(tài)不盡相同,并且還可能存在遮擋等情況,致使行人檢測任務極具挑戰(zhàn)性。目前,相較于其他算法,使用卷積神經網絡搭建的行人檢測系統(tǒng)通常能夠取得更高的檢測精度,但對于復雜環(huán)境中的小尺寸行人目標,這類系統(tǒng)在檢測精度上仍然有待提高。為此,本文在基于卷積神經網絡的目標檢測系統(tǒng)基礎之上進行優(yōu)化,提出了一種改進型行人檢測系統(tǒng)。該系統(tǒng)優(yōu)化了數(shù)據(jù)集的預處理過程,并借助一種改進型反饋損失計算方法優(yōu)化了檢測系統(tǒng)的分類網絡。此外,針對小尺寸行人目標檢測精度低的問題,在系統(tǒng)主體模型之外設計了兩種復查子系統(tǒng),一種使用HOG特征結合自適應增強學習算法,另一種用到了SSD目標檢測框架。檢測時,通過主系統(tǒng)獲得大尺寸行人目標的精確坐標和小尺寸目標所在區(qū)域的建議,然后復查子系統(tǒng)實現(xiàn)對小尺寸行人目標的精確定位。改進后的行人檢測系統(tǒng)旨在改善大尺寸行... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

DPM算法生成的人體模型

9圖 2.2 DPM 算法的檢測原理圖 0 00 0 0 0, 0 0 , 0 01score , , , + 2 ,nl i l iix y l R x y D x y v b 0 0,x y 表示主模型的得分， 0 0x ,y 為主模型左上角在特征圖i v表示第 i 個子模型在特征圖中的坐標，b 是各子模型間對齊分 i ,lD 可由公式(2.6)得到。 , ,,, max , ,i l i l i d x ydx dyD x y R x dx y dy d d d

度可分解卷積網絡與傳統(tǒng)卷積操作的計算量的比值可以通過公式(3.33)計算得2K K N N I I O M M1 1K K I O M M O K (3.3中K 為卷積核的大小， N 為輸入矩陣的維度，I 為輸入特征圖的通道數(shù)，M 出矩陣的維度，O為輸出特征圖的通道數(shù)。使用深度可分解卷積網絡結構搭建征提取網絡的參數(shù)配置請見 5.2.3 節(jié)。3.4 仿真實驗與結果分析.4.1 數(shù)據(jù)集本章使用 Dogs vs. Cats 數(shù)據(jù)集和 Cifar-10 數(shù)據(jù)集驗證改進算法的有效性。①Dogs vs. Cats 數(shù)據(jù)集

【參考文獻】：
期刊論文
[1]行人檢測技術綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國榕,吳云東.  電子學報. 2012(04)



本文編號：2984237