近年來,在城鎮(zhèn)化進程不斷加快的同時,土地資源變得緊缺。經(jīng)濟發(fā)展的同時,違法占地、違法建筑的現(xiàn)象也逐年遞增。針對土地違法發(fā)現(xiàn)難的現(xiàn)實情況,本文致力于巡查車移動過程中可變形施工機械的實時檢測技術(shù)研究。主要研究內(nèi)容如下:（1）提出了一種基于HOG特征的深度學習圖像數(shù)據(jù)集快速標注算法�；诟咚够旌夏Ｐ瞳@得待標注目標的位置信息,基于Mean Shift算法對目標的HOG特征聚類獲得目標類別,得到挖掘機樣本弱分類器。后續(xù)采用弱分類器獲得的帶標簽樣本訓練可變形部件模型,實現(xiàn)無標簽圖片數(shù)據(jù)的自動標注,開發(fā)人工微調(diào)數(shù)據(jù)標定軟件用于部分標注樣本的位置修正。實驗結(jié)果表明,該方案能快速完成目標檢測任務中圖像數(shù)據(jù)集的標注工作,人工標注1000張圖片大概需要60分鐘,而本文算法加上人工微調(diào)大概能在10分鐘內(nèi)完成標注工作,有效降低獲取帶標簽數(shù)據(jù)集的人工成本,提高深度學習中獲取帶標簽樣本的效率。（2）提出了一種基于多尺度特征圖跳躍融合的多視角SSD改進算法。針對SSD算法對小目標檢測效果差的問題,通過多尺度預測特征圖層間跳躍連接進行特征融合,提高模型對小目標的敏感性和感知度,同時提升了模型總體檢測性能。針對快速視角變... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文研究內(nèi)容及組織結(jié)構(gòu)
        1.3.1 研究內(nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 目標檢測基礎理論和算法
    2.1 傳統(tǒng)目標檢測算法
    2.2 基于深度學習的目標檢測算法
        2.2.1 基于Region Proposal的深度學習目標檢測算法
        2.2.2 基于回歸的端到端（End-to-End）的目標檢測框架
    2.3 本章小結(jié)
第三章 基于HOG特征的深度學習圖像數(shù)據(jù)集快速標注算法
    3.1 算法總體流程圖
    3.2 數(shù)據(jù)采集及圖像預處理
        3.2.1 基于python網(wǎng)絡爬蟲的圖像樣本自動采集
        3.2.2 視頻采集及圖像預處理
    3.3 基于HOG特征的Mean Shift聚類算法
        3.3.1 HOG特征
        3.3.2 Mean Shift聚類算法
    3.4 基于DPM模型的數(shù)據(jù)集快速標定
    3.5 實驗設計及分析
        3.5.1 實驗一:采用Mean Shift聚類算法對不同類別的目標物進行分類
        3.5.2 實驗二:用小樣本訓練可變形部件模型獲取大量帶標簽數(shù)據(jù)集
    3.6 人工微調(diào)數(shù)據(jù)標定軟件開發(fā)
    3.7 本章小結(jié)
第四章 基于多尺度特征圖跳躍融合的多視角SSD改進算法
    4.1 SSD算法原理概述
        4.1.1 SSD總體網(wǎng)絡結(jié)構(gòu)
        4.1.2 基礎特征提取網(wǎng)絡和多尺度特征圖檢測
        4.1.3 先驗框的設置和匹配策略
        4.1.4 SSD模型的訓練和預測過程
    4.2 基于多尺度特征圖跳躍融合的SSD模型改進
        4.2.1 上采樣
        4.2.2 空洞卷積
        4.2.3 Batch Normalization
        4.2.4 多尺度特征融合結(jié)構(gòu)設計
        4.2.5 特征融合連接模塊設計
        4.2.6 實驗設計和分析
        4.2.7 SKIPSSD模型檢測效果
    4.3 基于多視角的SSD模型改進
        4.3.1 多視角模型構(gòu)建
        4.3.2 實驗設計及分析
        4.3.3 基于多視角的SKIPSSD模型檢測效果
    4.4 本章小結(jié)
第五章 結(jié)合目標跟蹤的可變形施工機械實時檢測
    5.1 KCF目標跟蹤算法概述
        5.1.1 訓練KCF跟蹤器
        5.1.2 快速檢測
    5.2 結(jié)合KCF跟蹤的目標檢測算法框架
    5.3 實驗設計及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻
作者簡介


【參考文獻】：
期刊論文
[1]生成式對抗網(wǎng)絡研究進展[J]. 王萬良,李卓蓉.  通信學報. 2018(02)
[2]基于DSmT理論的多視角融合目標檢測識別[J]. 陸峰,徐友春,李永樂,蘇致遠,王任棟.  機器人. 2018(05)
[3]多卷積特征融合的HOG行人檢測算法[J]. 高琦煜,方虎生.  計算機科學. 2017(S2)
[4]基于多分類器融合的多視角目標檢測算法[J]. 尹維沖,路通.  計算機科學. 2013(07)
[5]基于分裂級聯(lián)模型的多視角多姿態(tài)目標檢測(英文)[J]. 黃江華,尹東,張榮,黃俊.  中國科學技術(shù)大學學報. 2013(07)
[6]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[7]基于多尺度特征提取的運動目標定位研究[J]. 孔軍,湯心溢,蔣敏.  紅外與毫米波學報. 2011(01)
[8]基于連續(xù)Adaboost算法的多視角人臉檢測[J]. 武勃,黃暢,艾海舟,勞世竑.  計算機研究與發(fā)展. 2005(09)

博士論文
[1]智能視頻監(jiān)控下的多目標跟蹤技術(shù)研究[D]. 李彤.中國科學技術(shù)大學 2013

碩士論文
[1]基于核相關(guān)濾波的目標跟蹤方法研究[D]. 阮宏剛.南京郵電大學 2018
[2]基于改進KCF算法的四旋翼無人機視覺跟蹤系統(tǒng)設計[D]. 褚天鵬.哈爾濱工業(yè)大學 2018
[3]基于核相關(guān)濾波的目標跟蹤算法研究[D]. 王鶴鵬.西安電子科技大學 2018
[4]基于核相關(guān)濾波器的目標跟蹤研究[D]. 李文靜.哈爾濱理工大學 2018
[5]基于KCF跟蹤算法的行人數(shù)量統(tǒng)計[D]. 蘇祺翔.哈爾濱工程大學 2018
[6]復雜場景下挖掘機運動狀態(tài)分析與識別[D]. 林煥凱.華南農(nóng)業(yè)大學 2016
[7]多視角人體檢測方法及行為識別方法研究[D]. 郭晶云.天津大學 2014
[8]基于稀疏表示的多視角目標檢測技術(shù)研究[D]. 樊亞翔.國防科學技術(shù)大學 2013



本文編號：3159690