隨著深度學習技術(shù)的逐漸成熟,該技術(shù)已被廣泛地應用于自動駕駛、智能監(jiān)控和人機交互等領(lǐng)域。本文就行人檢測與跟蹤為研究對象,研究該任務中最為重要的兩個部分:行人檢測和多目標跟蹤。依托深度學習技術(shù),進行基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測模型與多目標跟蹤算法研究。針對行人檢測問題,本文首先通過對比分析選取檢測精度較高、實時性較好的YOLOv3網(wǎng)絡(luò)為行人檢測模型。利用行人檢測數(shù)據(jù)集進行檢測模型的研究,本文收集整理行人圖片進行標注。針對行人檢測精度很低的問題,使用了三種優(yōu)化方法,分別是行人樣本分類、K-means聚類獲取最優(yōu)先驗候選框及難樣本再訓練,成功使行人檢測精度提升至90.89%。其次,針對數(shù)據(jù)集中遠距離行人檢測精度較低的問題,本文提出了改進的YOLOv3模型,該模型改進了YOLOv3模型的主干網(wǎng)絡(luò)結(jié)構(gòu)并融合網(wǎng)絡(luò)中部分殘差單元。以遠距離數(shù)據(jù)集作為驗證,與原YOLOv3行人檢測結(jié)果對比,改進的YOLOv3模型行人檢測精度m AP（mean Average Precision）提升了4.53%,行人檢測準確度Io U（Intersection-over-Union）提升7.02%。通過預處理經(jīng)典數(shù)據(jù)集中的... 

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

YOLOv3 行人檢測結(jié)果

數(shù)據(jù)集樣本分類實驗結(jié)果

不同數(shù)量先驗候選框的聚類結(jié)果

【參考文獻】：
期刊論文
[1]結(jié)合深度殘差學習和感知損失的圖像去噪[J]. 吳從中,陳曦,季棟,詹曙.  中國圖象圖形學報. 2018(10)
[2]激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對比研究[J]. 田娟,李英祥,李彤巖.  計算機系統(tǒng)應用. 2018(07)
[3]基于相關(guān)濾波器的視覺目標跟蹤綜述[J]. 魏全祿,老松楊,白亮.  計算機科學. 2016(11)
[4]基于運動區(qū)域Viola-Jones算法的視頻人臉檢測[J]. 彭明莎,劉翠響.  電子設(shè)計工程. 2015(21)
[5]網(wǎng)絡(luò)優(yōu)化的最大利潤問題及其增廣路算法[J]. 馬毅,嚴余松,戶佐安.  計算機工程與應用. 2015(01)
[6]行人檢測技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國榕,吳云東.  電子學報. 2012(04)
[7]分割位置提示的可變形部件模型快速目標檢測[J]. 楊揚,李善平.  自動化學報. 2012(04)
[8]匈牙利算法在多目標分配中的應用[J]. 柳毅,佟明安.  火力與指揮控制. 2002(04)



本文編號：3700754