本文選題：背景差分 + Adaboost��； 參考：《中國地質(zhì)大學(xué)(北京)》2017年碩士論文

【摘要】：當前,為了對日益惡化的交通情況進行更好的管理,在道路上安裝了越來越多的攝像機,形成了海量的視頻數(shù)據(jù)。因此,研究如何快速準確的從視頻中提取車輛目標意義重大。本文首先探討了目標檢測的基本理論和方法,以及國內(nèi)外在該領(lǐng)域的研究現(xiàn)狀,然后探討了最新的研究成果。其中基于深度學(xué)習的目標檢測方法,達到了很好的檢測效果,逐漸成為該領(lǐng)域的研究熱點。本文的主要工作圍繞將各種車輛目標檢測方法進行結(jié)合的研究,內(nèi)容如下:(1)基于背景差分的目標檢測算法:基于背景差分檢測算法是最早的目標檢測算法,它具有速度快,漏檢率低的特點,算法設(shè)計簡單高效,應(yīng)用廣泛。早期的目標檢測算法幾乎全部是基于背景差分算法建立的。但是背景差分算法有一些缺陷,比如無法有效的克服陰影的誤檢問題。(2)基于Adaboost的目標檢測算法:基于Adaboost的目標檢測算法是后來發(fā)展起來的目標檢測算法,該算法首先在人臉檢測上成功應(yīng)用,是第一個將人臉檢測做到實時的算法,并且有效的克服了光照和姿勢變化的影響,但是該算法的計算復(fù)雜度相對較高,誤檢較多,導(dǎo)致不能在很多嵌入式設(shè)備上應(yīng)用。(3)基于深度神經(jīng)網(wǎng)絡(luò)的圖像識別方法:近年來,深度神經(jīng)網(wǎng)絡(luò)掀起了人工智能的革命,將圖像識別的準確率提升到新的高度,比如在人臉識別準確率方面已經(jīng)超過人類。但是計算復(fù)雜度非常高,一般需要GPU才可以做到實時性。(4)將背景差分,Adaboost和深度神經(jīng)網(wǎng)絡(luò)進行級聯(lián)的目標檢測算法:很多實驗表明,背景差分算法計算復(fù)雜度低,并且能夠高效的檢測出前景區(qū)域,因此提出先對圖像進行背景差分,排除背景區(qū)域,只在前景區(qū)域上運行Adaboost目標檢測算法,最后再針對Adaboost輸出的目標結(jié)果使用深度神經(jīng)網(wǎng)絡(luò)進行二次識別,過濾掉誤檢的車輛目標。這樣可以很好的利用上面各種算法的優(yōu)點,又避免了各自的缺陷。同時,本文對Adaboost目標檢測算法又進行了改進,即通過標定出圖像不同位置的目標尺寸以減少Adaboost掃描窗口的數(shù)量。
[Abstract]:At present, in order to better manage the deteriorating traffic situation, more and more cameras are installed on the road, forming a huge amount of video data. Therefore, it is significant to study how to extract vehicle targets from video quickly and accurately. In this paper, the basic theories and methods of target detection are discussed, and the research status in this field at home and abroad is also discussed, and then the latest research results are discussed. Among them, the target detection method based on depth learning has achieved a good detection effect, and has gradually become a research hotspot in this field. The main work of this paper is focused on the research of combining various vehicle target detection methods. The contents are as follows: (1) background differential detection algorithm is the earliest object detection algorithm, and it has fast speed. Low detection rate, simple and efficient algorithm design and wide application. Almost all of the early target detection algorithms were based on background differential algorithm. But the background difference algorithm has some defects, such as can not effectively overcome the shadow false detection problem. (2) Target detection algorithm based on Adaboost: the target detection algorithm based on Adaboost is a target detection algorithm developed later. First, the algorithm is successfully applied to face detection, and it is the first one to achieve real-time face detection, and it effectively overcomes the influence of illumination and pose changes, but the computational complexity of the algorithm is relatively high, and the error detection is more. As a result, it can not be applied to many embedded devices. (3) Image recognition method based on depth neural network: in recent years, depth neural network has set off a revolution of artificial intelligence, which raises the accuracy of image recognition to a new height. For example, the accuracy of face recognition has surpassed that of humans. However, the computational complexity is very high, GPU is generally required to achieve real-time. (4) the background differential Adaboost and the depth neural network are cascaded to detect the target. Many experiments show that the background differential algorithm has a low computational complexity. And the foreground region can be detected efficiently, so the background difference is proposed, the background area is excluded, and only the Adaboost target detection algorithm is run on the foreground region. In the end, a depth neural network is used for the secondary recognition of the target output from Adaboost to filter out the vehicle target that has been misdetected. In this way, we can make good use of the advantages of the above algorithms, and avoid their own defects. At the same time, the algorithm of Adaboost target detection is improved, that is, to reduce the number of Adaboost scanning windows by calibrating the target size at different positions of the image.
【學(xué)位授予單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 馬勇,丁曉青;Real-Time Multi-View Face Detection and Pose Estimation Based on Cost-Sensitive AdaBoost[J];Tsinghua Science and Technology;2005年02期

2 林志陽;康耀紅;雷景生;;基于Adaboost的車標定位方法[J];計算機工程;2008年11期

3 張磊;;基于AdaBoost的側(cè)面人臉、人耳檢測[J];科學(xué)大眾;2008年08期

4 付忠良;;關(guān)于AdaBoost有效性的分析[J];計算機研究與發(fā)展;2008年10期

5 張崗?fù)?楊全;;兩種Adaboost方法在人臉檢測中的比較研究[J];微計算機信息;2009年24期

6 嚴超;王元慶;李久雪;張兆揚;;AdaBoost分類問題的理論推導(dǎo)[J];東南大學(xué)學(xué)報(自然科學(xué)版);2011年04期

7 李印;;基于AdaBoost的行人檢測研究與實現(xiàn)[J];數(shù)字技術(shù)與應(yīng)用;2012年03期

8 蘇加強;丁柳云;;基于R的監(jiān)督式AdaBoost異常值檢測應(yīng)用[J];淮海工學(xué)院學(xué)報(自然科學(xué)版);2013年01期

9 張志勛;張磊;楊凡;;一種改進的Adaboost人臉檢測方法[J];自動化與儀器儀表;2013年06期

10 王海川,張立明;一種新的Adaboost快速訓(xùn)練算法[J];復(fù)旦學(xué)報(自然科學(xué)版);2004年01期

相關(guān)會議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計算機應(yīng)用與系統(tǒng)建模國際會議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動脈粥樣硬化判別方法[A];中國儀器儀表學(xué)會第十一屆青年學(xué)術(shù)會議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測中的應(yīng)用[A];2007年中國智能自動化會議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細胞位置預(yù)測[A];中國化學(xué)會第26屆學(xué)術(shù)年會化學(xué)信息學(xué)與化學(xué)計量學(xué)分會場論文集[C];2008年

6 陳宏偉;劉建偉;費向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標跟蹤[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識別[A];第二十六屆中國控制會議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風險評估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟發(fā)展研討會論文集[C];2012年

相關(guān)重要報紙文章 前4條

1 美國明尼蘇達大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學(xué)計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習方法研究[D];大連海事大學(xué);2011年

3 王海豐;基于機器視覺的剖竹機加工目標檢測算法研究[D];東北林業(yè)大學(xué);2015年

4 高永嬋;復(fù)雜場景下多通道陣列自適應(yīng)目標檢測算法研究[D];西安電子科技大學(xué);2015年

5 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

6 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學(xué);2012年

7 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學(xué)習與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

8 張?zhí)珜?人眼注視點估計方法的研究[D];南開大學(xué);2013年

9 臧風妮;智能視頻監(jiān)控中海面艦船目標檢測算法研究[D];中國海洋大學(xué);2014年

10 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實時行人檢測算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測及統(tǒng)計方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測算法研究及其在硬件平臺上的實現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺圖片的腦—機接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進膚色模型的AdaBoost人臉檢測算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測研究與系統(tǒng)實現(xiàn)[D];長安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習的蛋白質(zhì)—維生素綁定位點預(yù)測研究[D];南京理工大學(xué);2015年

10 張元;一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號：2105619