隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺中的飛速發(fā)展和人們?nèi)找嫣嵘陌踩庾R(shí),視頻監(jiān)控系統(tǒng)在人們的生活中隨處可見并且更加智能化。視頻摘要是一種從海量的原始監(jiān)控視頻中獲取相關(guān)信息的有效手段,而行人檢測(cè)及人體關(guān)鍵點(diǎn)估計(jì)技術(shù)是實(shí)現(xiàn)視頻摘要的基礎(chǔ)。行人檢測(cè)及人體關(guān)鍵點(diǎn)估計(jì)是指標(biāo)定出圖像中的人體或者部位的位置信息,是計(jì)算機(jī)視覺領(lǐng)域研究的難點(diǎn)之一。本文對(duì)傳統(tǒng)的行人檢測(cè)及人體關(guān)鍵點(diǎn)估計(jì)方法進(jìn)行調(diào)研,現(xiàn)有的行人檢測(cè)算法對(duì)于有遮擋或者光照不好圖像的處理不夠理想,尤其是對(duì)于沒(méi)有校正的檢測(cè)結(jié)果,其漏檢率較高;傳統(tǒng)的人體關(guān)鍵點(diǎn)估計(jì)算法往往忽略了人體不同部位的尺度信息隨著人體姿態(tài)和拍攝角度的變化而差異巨大的問(wèn)題。因此本文做了以下工作。在有遮擋或者光照不好圖像中,監(jiān)控視頻中的行人檢測(cè)結(jié)果往往有很大的漏檢率,因此本文設(shè)計(jì)并優(yōu)化了基于模型融合算法的行人檢測(cè)方法。本文研究了基于HOG+SVM的傳統(tǒng)行人檢測(cè)方法并對(duì)檢測(cè)過(guò)程中的候選框的生成策略進(jìn)行了優(yōu)化;然后研究了基于GoogLeNet網(wǎng)絡(luò)的深度學(xué)習(xí)行人檢測(cè)方法,采用遷移學(xué)習(xí)的微調(diào)策略,生成自己的行人檢測(cè)模型;最后根據(jù)HOG+SVM模型和GoogLeNet網(wǎng)絡(luò)模型,通過(guò)模型融合算法,本文...

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 行人檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 人體關(guān)鍵點(diǎn)估計(jì)的國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第2章 行人檢測(cè)和人體關(guān)鍵點(diǎn)估計(jì)的相關(guān)技術(shù)
    2.1 圖像的預(yù)處理技術(shù)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 反向傳播算法
    2.4 模型評(píng)估指標(biāo)
    2.5 本章小結(jié)
第3章 行人檢測(cè)及人體關(guān)鍵點(diǎn)估計(jì)系統(tǒng)總計(jì)設(shè)計(jì)
    3.1 系統(tǒng)總體架構(gòu)
    3.2 系統(tǒng)設(shè)計(jì)流程
    3.3 行人檢測(cè)模塊
    3.4 行人關(guān)鍵點(diǎn)估計(jì)模塊
    3.5 本章小結(jié)
第4章 基于模型融合的行人檢測(cè)方法
    4.1 行人檢測(cè)算法的研究
        4.1.1 基于人工特征的行人檢測(cè)方法
        4.1.2 基于深度學(xué)習(xí)的行人檢測(cè)算法
    4.2 模型融合的行人檢測(cè)算法
        4.2.1 模型融合算法的整體框架
        4.2.2 改進(jìn)的NMS算法
        4.2.3 模型融合算法
    4.3 數(shù)據(jù)預(yù)處理
        4.3.1 數(shù)據(jù)集
        4.3.2 數(shù)據(jù)標(biāo)注
    4.4 算法驗(yàn)證
        4.4.1 實(shí)驗(yàn)環(huán)境和評(píng)估指標(biāo)
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 基于FCHN網(wǎng)絡(luò)的人體關(guān)鍵點(diǎn)估計(jì)方法
    5.1 人體關(guān)鍵點(diǎn)估計(jì)方法的研究
        5.1.1 基于FPN網(wǎng)絡(luò)的優(yōu)化算法
        5.1.2 基于Hourglass Network的優(yōu)化算法
    5.2 FCHN網(wǎng)絡(luò)的人體關(guān)鍵點(diǎn)估計(jì)算法
        5.2.1 FCHN網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)
        5.2.2 損失函數(shù)
    5.3 數(shù)據(jù)預(yù)處理
        5.3.1 數(shù)據(jù)集
        5.3.2 數(shù)據(jù)標(biāo)注
    5.4 算法驗(yàn)證
        5.4.1 實(shí)驗(yàn)環(huán)境與評(píng)估指標(biāo)
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第6章 行人檢測(cè)及人體關(guān)鍵點(diǎn)估計(jì)系統(tǒng)實(shí)現(xiàn)
    6.1 系統(tǒng)詳細(xì)設(shè)計(jì)
    6.2 系統(tǒng)實(shí)現(xiàn)
        6.2.1 硬件系統(tǒng)實(shí)現(xiàn)
        6.2.2 軟件系統(tǒng)實(shí)現(xiàn)
    6.3 系統(tǒng)實(shí)驗(yàn)與效果分析
        6.3.1 行人檢測(cè)的性能分析
        6.3.2 人體關(guān)鍵點(diǎn)估計(jì)的性能分析
    6.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的研究成果
致謝



本文編號(hào)：3941887