行人和車輛檢測是計算機視覺中細分研究方向之一,廣泛應(yīng)用于視頻監(jiān)控、智能機器人等領(lǐng)域。針對城市場景中行人和車輛的檢測問題,本文重點研究了卷積神經(jīng)網(wǎng)絡(luò)提取的多尺度特征利用和目標檢測中邊框(Bounding Box,BBox)回歸,提出改進YOLOv3網(wǎng)絡(luò)的行人和車輛檢測方法。針對多尺度目標的檢測問題,本文充分利用卷積神經(jīng)網(wǎng)絡(luò)(CNN)的多尺度特征研究了一種多尺度特征轉(zhuǎn)換遷移融合的YOLOv3網(wǎng)絡(luò),以提高圖像中多種尺度目標的檢測準確度。首先,基于YOLOv3網(wǎng)絡(luò)采用STDN算法的尺度轉(zhuǎn)換模塊對低層級特征圖進行縮小,構(gòu)造特征重用的主干網(wǎng)絡(luò)提取特征。然后,采用尺度轉(zhuǎn)換模塊對高層級特征圖進行放大,構(gòu)建特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,FPN)預(yù)測目標。在公開數(shù)據(jù)集MSCOCO上,該網(wǎng)絡(luò)有效改善原YOLOv3網(wǎng)絡(luò)因遮擋和目標較小導(dǎo)致的誤檢和漏檢問題,各類別目標實驗結(jié)果的精度均有提升。針對目標檢測的定位和分類兩大任務(wù),本文提出基于置信度優(yōu)化和級聯(lián)BBox回歸的檢測模型。受two-stage目標檢測模型Cascade R-CNN的啟發(fā),本文在one-stage目標檢測模型基礎(chǔ)上采用級聯(lián)BBox回歸方法。該方法通過設(shè)置遞增的IOU(intersection over union)閾值,多階段訓(xùn)練回歸BBox,明顯改善時間上不能匹配最佳的IOU值,檢測的BBox偏差問題。同時,根據(jù)類間目標屬性規(guī)律特征做置信度優(yōu)化,以減少違背統(tǒng)計規(guī)律的誤檢。該方法基于現(xiàn)實場景中目標類別總是相互依存的這一先驗規(guī)律,首先構(gòu)造了相關(guān)系數(shù)矩陣和指數(shù)歸一化的類間目標屬性規(guī)律特征,然后利用這些特征在檢測階段優(yōu)化目標的置信度打分。這一置信度優(yōu)化方法利用客觀存在的規(guī)律作為信息應(yīng)用于目標檢測,對目標檢測效果有略微的提升。針對城市場景中行人和車輛檢測問題,本文提出基于多尺度特征融合YOLOv3網(wǎng)絡(luò)和級聯(lián)BBox回歸的行人和車輛檢測模型。首先,考慮了遮擋、光線、場景等影響檢測的因素,構(gòu)建了有效的行人和車輛數(shù)據(jù)集,并采用類別平衡采樣的方法解決了樣本不平衡問題。然后,為加快訓(xùn)練模型收斂速度,降低漏檢概率,采用K-means聚類優(yōu)化方法選取先驗框。最后,利用多尺度特征融合YOLOv3網(wǎng)絡(luò)和級聯(lián)BBox回歸的模型對行人和車輛訓(xùn)練和檢測。實驗結(jié)果表明,本文基于改進YOLOv3網(wǎng)絡(luò)的行人和車輛檢測方法是可行且有效的,具有深遠的參考價值。
【學(xué)位單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于人工特征的行人和車輛檢測
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)特征的行人和車輛檢測
    1.3 要研究內(nèi)容與論文組織結(jié)構(gòu)
第二章 目標檢測的基本概念和相關(guān)理論
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 損失函數(shù)
    2.2 目標檢測組件
        2.2.1 建議框生成
        2.2.2 非極大值抑制
        2.2.3 邊框回歸
    2.3 實驗數(shù)據(jù)集
    2.4 章小結(jié)
第三章 多尺度特征轉(zhuǎn)換遷移融合的YOLOv3 網(wǎng)絡(luò)
    3.1 特征融合
        3.1.1 上采樣
        3.1.2 反卷積
        3.1.3 尺度轉(zhuǎn)換
    3.2 多尺度特征檢測網(wǎng)絡(luò)
        3.2.1 多尺度特征獨立檢測網(wǎng)絡(luò)SSD
        3.2.2 多尺度特征融合檢測網(wǎng)絡(luò)FPN
    3.3 特征尺度轉(zhuǎn)換遷移融合的YOLOv3 網(wǎng)絡(luò)
        3.3.1 YOLO和 YOLOv3 網(wǎng)絡(luò)
        3.3.2 融合方式
    3.4 實驗過程與結(jié)果分析
        3.4.1 實驗過程
        3.4.2 結(jié)果分析
    3.5 本章小結(jié)
第四章 基于置信度優(yōu)化和級聯(lián)BBox回歸的檢測模型
    4.1 類間目標屬性規(guī)律特征構(gòu)造
        4.1.1 相關(guān)系數(shù)矩陣的類間目標屬性規(guī)律特征構(gòu)造
        4.1.2 指數(shù)歸一化的類間目標屬性規(guī)律特征構(gòu)造
    4.2 級聯(lián)BBox回歸
        4.2.1 檢測質(zhì)量
        4.2.2 Cascade R-CNN目標檢測模型
    4.3 實驗過程與結(jié)果分析
        4.3.1 實驗過程
        4.3.2 結(jié)果分析
    4.4 本章小結(jié)
第五章 多尺度特征融合YOLOv3 網(wǎng)絡(luò)和級聯(lián)BBox回歸的行人和車輛檢測
    5.1 行人和車輛檢測整體框架
    5.2 行人和車輛數(shù)據(jù)集
    5.3 不平衡樣本處理方法
        5.3.1 類別平衡采樣方法
        5.3.2 代價敏感方法
    5.4 K-means聚類方法
    5.5 實驗過程與結(jié)果分析
        5.5.1 實驗過程
        5.5.2 結(jié)果分析
    5.6 本章小結(jié)
第六章 總結(jié)與展望
參考文獻
附錄1 攻讀碩士學(xué)位期間申請的專利
附錄2 攻讀碩士學(xué)位期間參加的科研項目
致謝

【參考文獻】

相關(guān)博士學(xué)位論文 前1條

1 任少卿;基于特征共享的高效物體檢測[D];中國科學(xué)技術(shù)大學(xué);2016年

相關(guān)碩士學(xué)位論文 前1條

1 孫玲;基于卷積神經(jīng)網(wǎng)絡(luò)的行人與車輛檢測方法研究[D];電子科技大學(xué);2018年

本文編號：2832874