吸煙危害健康已是眾所周知,在公共場所吸煙不僅關(guān)系到到吸煙者本身,也會形成二手煙危害周圍人們健康,而且不規(guī)范的吸煙行為還會誘發(fā)公共場所火災的發(fā)生,給社會各界帶來不可估計的損失。因此,加大公共場所禁煙力度已成為不可逆轉(zhuǎn)的趨勢。但目前基于煙霧傳感器的吸煙檢測技術(shù)由于通風等環(huán)境因素的干擾,檢測效果并不理想,而基于傳統(tǒng)計算機視覺的吸煙檢測技術(shù)的檢測準確度也不高,所以研究如何快速準確地進行吸煙檢測變得愈發(fā)迫切。隨著深度學習的崛起,基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）的煙支檢測技術(shù)被用來識別吸煙行為,并取得了一定的成果。然而作為當下主要的研究方法,基于CNN的煙支檢測技術(shù)在實際場景中經(jīng)常受到諸如吸煙姿態(tài)、光照、復雜背景等內(nèi)外部干擾因素的影響,檢測性能有待進一步提升。本文主要對基于卷積神經(jīng)網(wǎng)絡(luò)的煙支檢測技術(shù)進行研究,改善目前煙支檢測算法中存有的缺陷,提高煙支目標識別的準確率。主要研究內(nèi)容包括:（1）基于CNN的目標檢測算法是對視頻逐幀檢測,但由于該類算法存在結(jié)構(gòu)復雜且參數(shù)多的缺點,導致整體檢測算法過于復雜,從而使得檢測時間過長以及電腦硬件占用率過高。為... 

【文章來源】：西安郵電大學陜西省

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

全連接和卷積神經(jīng)網(wǎng)絡(luò)示意圖

西安郵電大學碩士學位論文8和卷積神經(jīng)網(wǎng)絡(luò)的連接圖，對于全連接層來說，圖片與隱藏節(jié)點之間的參數(shù)量為10^12。同樣圖像尺寸，采用卷積核為10×10的卷積操作，參數(shù)量只降低到10^8，局部連接將網(wǎng)絡(luò)的參數(shù)量減少為原來的萬分之一。在以上基礎(chǔ)再次減少參數(shù)量降低學習難度，規(guī)定在卷積操作中每個卷積核在不同感受野區(qū)域的權(quán)值參數(shù)與尺度是一致的，即權(quán)值共享機制。所以局部連接的每個神經(jīng)元都對應卷積操作的100個參數(shù)，10^6個神經(jīng)元的100個參數(shù)都是相等的，則參數(shù)量減少到100。圖2.1全連接和卷積神經(jīng)網(wǎng)絡(luò)示意圖作為卷積神經(jīng)網(wǎng)絡(luò)最重要的兩大特點，局部感受野和權(quán)值共享操作有效減少了網(wǎng)絡(luò)訓練的參數(shù)量，合理簡化了復雜的網(wǎng)絡(luò)結(jié)構(gòu)，大大降低了網(wǎng)絡(luò)的訓練難度。圖2.2為卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，主要包括圖像輸入、圖像預處理、網(wǎng)絡(luò)模型和目標函數(shù)四部分，其中網(wǎng)絡(luò)模型結(jié)構(gòu)由卷積層、池化層以及全連接層組成，其中卷積層利用激活函數(shù)增加非線性因素，利用BP算法訓練網(wǎng)絡(luò)。圖2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖2.2.1卷積層卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，主要是利用卷積核對輸入對圖像的某個局部感受野進行指定模式的操作，且卷積核的通道與前層輸入圖像的通道相同。在CNN前向傳播中，卷積核對輸入圖片進行點積運算，步長一般固定為1，圖2.3為卷積運算的細節(jié)流程。

第2章深度學習理論及目標檢測算法概述9圖2.3二維離散卷積運算過程利用數(shù)學來描述卷積運算的時候，使用x來表示特征圖，y代表經(jīng)過卷積運算的輸出。w來表示輸入的特征向量x與輸出的特征向量y之間的計算權(quán)重，即網(wǎng)絡(luò)通過數(shù)據(jù)訓練學習到的模型參數(shù)。如下所示為第l層的第j個特征圖卷積運算操作：1jlllljiijjiMyxwb（2.1）式（2.1）中，l1ix表示第l-1層的第i個特征圖；lijw和lib表示卷積核權(quán)重和偏置；ljy作為卷積層的輸出將被傳入激活函數(shù)中。2.2.2激活函數(shù)激活函數(shù)將非線性特性引入到神經(jīng)網(wǎng)絡(luò)中，使其擁有非線性特性。激活函數(shù)的作用主要如下：由于輸入圖片現(xiàn)實中一般都呈非線性式分布，而僅僅使用線性的卷積和全連接模型會使復雜函數(shù)的表示能力會嚴重下降，所以引進非線性的激活函數(shù)以后，神經(jīng)網(wǎng)絡(luò)就可以更好的適用于非線性模型；再者激活函數(shù)可以將輸出信號規(guī)整到一個合理的可方便應用范圍之內(nèi)。搭建神經(jīng)網(wǎng)絡(luò)過程中，激活函數(shù)的選擇與使用是至關(guān)重要的一步，在實踐過程中，xf)(來表示非線性激活函數(shù)，使用比較廣泛的傳統(tǒng)激活函數(shù)如下：1Sigmoid()1xxe（2.2）Tanh()xxxxeexee（2.3）Sigmoid和Tanh函數(shù)作為激活函數(shù)在反向傳播時，都面臨著梯度消失的問題[32][33]。因此，Nair等人提出了線性整流函數(shù)（RectifiedLinearUnit,ReLU）[34]，該函數(shù)具有單側(cè)抑制性，在正值不變的基礎(chǔ)上將所有的負值都變?yōu)?，使得網(wǎng)絡(luò)中的神經(jīng)元具有

【參考文獻】：
期刊論文
[1]基于候選區(qū)域的深度學習目標檢測算法綜述[J]. 詹煒,Inomjon Ramatov,崔萬新,喻晶精.  長江大學學報(自然科學版). 2019(05)
[2]基于機器學習的目標檢測算法綜述[J]. 李名波.  計算機產(chǎn)品與流通. 2019(06)
[3]基于LBP-HSV模型及改進SIFT算法的行人再識別算法[J]. 晉麗榕,王海梅,徐丹萍.  計算機測量與控制. 2018(05)
[4]人臉檢測方法綜述[J]. 李娥.  信息技術(shù)與信息化. 2018(04)
[5]結(jié)合HSV空間的水面圖像特征水岸線檢測[J]. 彭明陽,王建華,聞祥鑫,叢曉奕.  中國圖象圖形學報. 2018(04)
[6]《煙草控制框架公約》對全球煙草市場的影響研究[J]. 秦怡峰,李德華,丁磊,劉晶晶,黃妍.  中國國際財經(jīng)(中英文). 2017(14)
[7]修訂《上海市公共場所控制吸煙條例》,努力打造“無煙上�！盵J]. 楊建軍,唐瓊.  健康教育與健康促進. 2017(02)
[8]基于改進sigmoid激活函數(shù)的深度神經(jīng)網(wǎng)絡(luò)訓練算法研究[J]. 黃毅,段修生,孫世宇,郎巍.  計算機測量與控制. 2017(02)
[9]BP神經(jīng)網(wǎng)絡(luò)算法改進及應用研究[J]. 李如平,朱煉,吳房勝,徐珍玉.  菏澤學院學報. 2016(02)
[10]基于顯著性檢測和高斯混合模型的早期視頻煙霧分割算法[J]. 賈陽,林高華,王進軍,方俊,張永明.  計算機工程. 2016(02)



本文編號：3586130