近年來,隨著人工智能領(lǐng)域的迅猛發(fā)展及目標(biāo)檢測技術(shù)的成熟,以行人檢測為技術(shù)基礎(chǔ)的各類系統(tǒng)已被廣泛應(yīng)用到了無人駕駛、智慧交通、智能監(jiān)控等領(lǐng)域。利用計(jì)算機(jī)代替人眼,可在大量降低人力物力消耗的基礎(chǔ)上,提升目標(biāo)檢測效率,這使得客流檢測系統(tǒng)在安防監(jiān)控領(lǐng)域處于人們研究的重點(diǎn)與熱點(diǎn)。但目前已有的客流檢測系統(tǒng)常依托于服務(wù)器進(jìn)行開發(fā)與應(yīng)用,這使得后臺(tái)運(yùn)行壓力增大、計(jì)算量增加、帶寬成本增高。基于以上問題,本文引用邊緣計(jì)算思想,將目標(biāo)檢測、跟蹤、客流數(shù)據(jù)統(tǒng)計(jì)等工作移植至前端邊緣設(shè)備中進(jìn)行開發(fā)與應(yīng)用,研究適用于邊緣計(jì)算的輕量級(jí)檢測網(wǎng)絡(luò)并選用嵌入式GPU平臺(tái)完成整體系統(tǒng)搭建。主要研究成果如下:針對(duì)行人檢測模塊,本文提出了基于YOLOv3-tiny網(wǎng)絡(luò)輕量化的行人檢測算法,利用深度可分離卷積重新構(gòu)建Yolov3-tiny主干網(wǎng)絡(luò),在保證算法檢測速度的前提下,提高網(wǎng)絡(luò)提取行人特征的能力,并增加一層預(yù)測層,確保各個(gè)尺寸的目標(biāo)被準(zhǔn)確檢測,保證網(wǎng)絡(luò)檢測的準(zhǔn)確率。針對(duì)行人跟蹤模塊,本文提出了基于深度學(xué)習(xí)與多特征融合的目標(biāo)跟蹤算法,利用行人檢測模塊得到的行人目標(biāo)位置信息,可對(duì)待檢測視頻中每幀出現(xiàn)的行人目標(biāo)進(jìn)行多特征提取,并根據(jù)... 

【文章來源】：北方工業(yè)大學(xué)北京市

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

h-swish函數(shù)與swish函數(shù)對(duì)比圖

第三章基于Yolov3-tiny的輕量化行人檢測跟蹤算法研究29這給行人目標(biāo)檢測帶來了不小的挑戰(zhàn)。為此，本文采用截取行人頭肩部分來訓(xùn)練目標(biāo)檢測模型的方法。相比對(duì)整個(gè)行人目標(biāo)進(jìn)行識(shí)別，頭肩區(qū)域不易受到遮擋情況的干擾、且像素比例相似，只需考慮頭肩角度的差異。相對(duì)于整個(gè)行人檢測跟蹤系統(tǒng)來說，提取頭肩特征的計(jì)算量遠(yuǎn)小于提取整個(gè)行人特征的計(jì)算量。因此在降低計(jì)算量的同時(shí)，也為系統(tǒng)減小了內(nèi)存開銷。為了保證行人檢測模型[40]的檢測精度，本文選用地鐵真實(shí)監(jiān)控場景作為訓(xùn)練和測試的固定場景，通過選取不同角度、不同場景的各地方地鐵車站內(nèi)的監(jiān)控視頻素材來增加樣本的數(shù)據(jù)量。為了保證提取到的頭肩信息精確、不丟失，將行人目標(biāo)小的視頻圖像截取后進(jìn)行放大處理，最終將訓(xùn)練樣本同一壓縮至640×480像素大校樣本標(biāo)注選用LabelImg可視化的輕量圖像標(biāo)定工具，該標(biāo)注工具可用于不同操作性，且標(biāo)注生成的XML文件遵循PASCALVOC格式，便于后續(xù)訓(xùn)練時(shí)使用。標(biāo)注時(shí)，需將目標(biāo)頭肩用矩形框嚴(yán)格框出，并設(shè)置頭肩標(biāo)簽為headshoulder，標(biāo)注過程如下所示。圖3-17行人頭肩標(biāo)注過程本文共標(biāo)記12000張圖片作為訓(xùn)練樣本，其中80%的樣本用作模型的訓(xùn)練，20%的樣本用作模型的測試。為了使模型檢測更加準(zhǔn)確，樣本在選取時(shí)包含了不同性別、不同年齡、不同身高、不同配飾的行人目標(biāo)，數(shù)據(jù)集部分樣例如下圖所示：

第三章基于Yolov3-tiny的輕量化行人檢測跟蹤算法研究30圖3-18數(shù)據(jù)集部分樣例3.3.2實(shí)驗(yàn)平臺(tái)本文采用Ubuntu16.04操作系統(tǒng)，運(yùn)用Darknet深度學(xué)習(xí)框架及CUDA9.0進(jìn)行加速，在GPUNvidiaGTX1080Ti平臺(tái)上進(jìn)行算法的實(shí)現(xiàn)與測試，并記錄測試數(shù)據(jù)運(yùn)用Python畫出數(shù)據(jù)曲線。Darknet深度學(xué)習(xí)框架是由JosephRedmon提出的用C語言及CUDA編寫而成的一個(gè)開源神經(jīng)網(wǎng)絡(luò)框架，該網(wǎng)絡(luò)框架易安裝、且無需任何依賴項(xiàng)。且由于Darknet框架同時(shí)支持CPU和GPU計(jì)算，因此更加易于算法和框架的移植。此外，該框架中代碼結(jié)構(gòu)清晰，方便源代碼查看及修改且預(yù)留Python接口，提供Python、C語言調(diào)用方式，使其在算法研究和應(yīng)用開發(fā)等方面有著明顯的優(yōu)勢(shì)。3.3.3NYolov3-tiny網(wǎng)絡(luò)性能對(duì)比優(yōu)化后的NYolov3-tiny網(wǎng)絡(luò)從原網(wǎng)絡(luò)的兩個(gè)尺度的預(yù)測層改為三個(gè)尺度的預(yù)測層，為了更好的確定anchor的數(shù)目與尺寸，采用與原網(wǎng)絡(luò)相同的k-means聚類方法進(jìn)行參數(shù)的確定，通過計(jì)算不同聚類數(shù)目下的平均重疊度進(jìn)而得到最佳的聚類數(shù)目，兩者變化關(guān)系如下圖所示。1234567891000.30.40.50.60.70.8AverageintersectionoverunionNumberofclusters圖3-19聚類數(shù)目與平均重疊度關(guān)系圖


本文編號(hào)：3347242