隨著機器學習和計算機技術(shù)的不斷發(fā)展,利用深度學習技術(shù)進行行人檢測已經(jīng)成為主流方法,并逐步開始應(yīng)用于平安城市、智慧交通等領(lǐng)域。然而在密集場景下行人目標存在類內(nèi)遮擋和大尺寸變化,嚴重制約了SSD、Faster RCNN等經(jīng)典深度學習檢測方法的精度。為此,本文對基于深度學習的密集行人檢測方法進行研究,從多尺度特征融合、多任務(wù)檢測和漸近定位等方面進行改進,對提高遮擋、尺度變化條件下目標檢測的精確性和適應(yīng)性具有重要意義。本文的工作內(nèi)容可以歸納為以下幾點:第一,提出了一種基于穩(wěn)定性加權(quán)的多尺度特征融合方法（Stability Weightedbased Multi-scale Feature Fusion method,SW-MFF）。對基礎(chǔ)網(wǎng)絡(luò)中不同尺度的五張原始特征圖和由最終特征圖上采樣得到的五張深層特征圖進行加權(quán)求和,由于后者具有更加抽象穩(wěn)定的特征表達能力,在融合時提高其所占權(quán)重,構(gòu)造出多尺度卷積特征,再利用其進行目標區(qū)域檢測。在HUST自制數(shù)據(jù)集和CUHK公開數(shù)據(jù)集上進行實驗,結(jié)果證明,相比于Faster RCNN,該方法在兩個數(shù)據(jù)集上的漏檢率分別下降了3.4%和2.6%（FPPI=0.1... 

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究概況
    1.3 論文的研究內(nèi)容和章節(jié)安排
2 基于穩(wěn)定性加權(quán)的多尺度特征融合方法
    2.1 引言
    2.2 深度學習的基本原理
    2.3 基于穩(wěn)定性加權(quán)的多尺度特征融合方法
    2.4 實驗結(jié)果與分析
    2.5 本章小結(jié)
3 面向遮擋目標的多任務(wù)檢測方法
    3.1 引言
    3.2 面向遮擋目標的多任務(wù)檢測方法
    3.3 實驗結(jié)果與分析
    3.4 本章小結(jié)
4 基于級聯(lián)漸近定位模型的目標檢測算法
    4.1 引言
    4.2 基于級聯(lián)漸近定位模型的目標檢測算法
    4.3 實驗結(jié)果與分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 工作展望
致謝
參考文獻



本文編號：3667768