當(dāng)前,國(guó)內(nèi)普通高校實(shí)驗(yàn)室普遍存在著人員管理粗放、科研效率較低等問(wèn)題,如何強(qiáng)化實(shí)驗(yàn)室人員管理,提升科研效率是一個(gè)值得探究的領(lǐng)域。隨著目標(biāo)檢測(cè)技術(shù)的發(fā)展成熟和視頻監(jiān)控的廣泛普及,通過(guò)視頻監(jiān)控系統(tǒng),并運(yùn)用目標(biāo)檢測(cè)技術(shù)使得強(qiáng)化實(shí)驗(yàn)室人員管理成為可能。傳統(tǒng)的基于圖像處理的目標(biāo)檢測(cè)技術(shù)雖然取得了一定的成效,但其檢測(cè)準(zhǔn)確性很難達(dá)到理想狀態(tài)。受益于計(jì)算機(jī)硬件性能的提升,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)產(chǎn)生了重要突破,在確保檢測(cè)速度的同時(shí)能夠達(dá)到極高的檢測(cè)準(zhǔn)確率。因此,如何利用深度學(xué)習(xí)的方法實(shí)現(xiàn)圖像目標(biāo)的精準(zhǔn)檢測(cè)正在成為當(dāng)下的熱門(mén)研究領(lǐng)域。本文通過(guò)對(duì)比分析基于傳統(tǒng)算法和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù),指明了后者檢測(cè)效果更佳,能夠運(yùn)用在更多的領(lǐng)域。因此,本文將實(shí)驗(yàn)室的視頻監(jiān)控和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)緊密結(jié)合起來(lái),在分析了深度學(xué)習(xí)基礎(chǔ)理論的基礎(chǔ)上,著重研究了實(shí)驗(yàn)室視頻監(jiān)控中的人頭檢測(cè)模型。研究工作主要有:（1）搭建了實(shí)驗(yàn)環(huán)境。包括有:搭建實(shí)驗(yàn)室視頻監(jiān)控系統(tǒng);采集實(shí)驗(yàn)室內(nèi)監(jiān)控畫(huà)面,構(gòu)建實(shí)驗(yàn)室人體頭部數(shù)據(jù)集;配置深度學(xué)習(xí)所需的軟件環(huán)境。（2）實(shí)現(xiàn)了實(shí)驗(yàn)室內(nèi)基于不同深度殘差網(wǎng)絡(luò)的Faster R-CNN人頭檢測(cè)模型,驗(yàn)... 

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題的背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)算法的目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.3 人體頭部檢測(cè)研究現(xiàn)狀
        1.2.4 研究現(xiàn)狀小結(jié)
    1.3 本文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)基礎(chǔ)和技術(shù)概述
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 激活函數(shù)
        2.1.3 池化層
        2.1.4 全連接層
        2.1.5 反向傳播算法
    2.2 殘差網(wǎng)絡(luò)
    2.3 系統(tǒng)實(shí)現(xiàn)技術(shù)概述
        2.3.1 Django
        2.3.2 TensorFlow
    2.4 本章小結(jié)
第三章 實(shí)驗(yàn)室人頭檢測(cè)模型的研究與實(shí)現(xiàn)
    3.1 實(shí)驗(yàn)環(huán)境搭建與數(shù)據(jù)集構(gòu)建
        3.1.1 搭建實(shí)驗(yàn)環(huán)境
        3.1.2 構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集
    3.2 模型評(píng)價(jià)指標(biāo)的定義
    3.3 不同檢測(cè)模型的實(shí)現(xiàn)與性能比較
        3.3.1 不同深度殘差網(wǎng)絡(luò)的對(duì)比分析
        3.3.2 不同目標(biāo)檢測(cè)模型的對(duì)比分析
    3.4 人頭檢測(cè)模型的增量測(cè)試
    3.5 模型檢測(cè)結(jié)果的研究與優(yōu)化
        3.5.1 IoU過(guò)濾算法
        3.5.2 人員定位
    3.6 本章小結(jié)
第四章 系統(tǒng)設(shè)計(jì)開(kāi)發(fā)與功能展示
    4.1 需求分析
        4.1.1 功能性需求
        4.1.2 非功能性需求
    4.2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    4.3 系統(tǒng)測(cè)試與功能展示
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
附錄
參考文獻(xiàn)
攻讀碩士學(xué)位期間完成的科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種結(jié)合校園一卡通系統(tǒng)及物聯(lián)網(wǎng)技術(shù)的智能實(shí)驗(yàn)室安防系統(tǒng)設(shè)計(jì)[J]. 王璐,周亦敏,余治昊.  電子器件. 2018(04)
[2]基于深度神經(jīng)網(wǎng)絡(luò)的行人頭部檢測(cè)[J]. 陶祝,劉正熙,熊運(yùn)余,李征.  計(jì)算機(jī)工程與科學(xué). 2018(08)
[3]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周?chē)?guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[4]Faster-RCNN的癌癥影像檢測(cè)方法[J]. 王黎,陸慧娟,葉敏超,嚴(yán)珂.  中國(guó)計(jì)量大學(xué)學(xué)報(bào). 2018(02)
[5]倉(cāng)儲(chǔ)環(huán)境下基于深度學(xué)習(xí)的物體識(shí)別方法研究[J]. 金秋,李天劍.  北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[6]基于深度學(xué)習(xí)的高分辨率遙感影像分類(lèi)研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報(bào). 2016(04)
[7]基于物聯(lián)網(wǎng)技術(shù)的智慧開(kāi)放實(shí)驗(yàn)室管理系統(tǒng)設(shè)計(jì)[J]. 曲娜,盛桂珍,楊海波.  實(shí)驗(yàn)技術(shù)與管理. 2015(12)
[8]基于云計(jì)算的實(shí)驗(yàn)室管理信息系統(tǒng)設(shè)計(jì)[J]. 伍燕青.  實(shí)驗(yàn)室研究與探索. 2013(08)

碩士論文
[1]基于Adaboost和Faster-RCNN的肺結(jié)節(jié)檢測(cè)算法[D]. 李夏.山東大學(xué) 2018



本文編號(hào)：3646396