目標(biāo)檢測是計算機視覺領(lǐng)域的核心任務(wù),其任務(wù)定義是通過緊密包圍目標(biāo)的矩形框定位出圖像中的物體,并同時判別出其所屬類別。目標(biāo)檢測技術(shù)既可服務(wù)于計算機視覺領(lǐng)域的頂層技術(shù)應(yīng)用,同時也被直接應(yīng)用于智能城市、自動駕駛以及智能醫(yī)療等領(lǐng)域,兼具學(xué)術(shù)科研與工程應(yīng)用價值。近年來,學(xué)術(shù)界利用深度學(xué)習(xí)強大的語義表述能力,在目標(biāo)檢測算法的準(zhǔn)確率與算法速度方面取得了突破性進(jìn)展。然而,深度學(xué)習(xí)目標(biāo)檢測算法在不同的應(yīng)用場景下依舊面臨許多困難與挑戰(zhàn),如在多尺度檢測算法中存在小尺寸框的錯誤檢測現(xiàn)象,目標(biāo)聚集場景中難以做到所有目標(biāo)物體的正確檢測,以及在真實世界的監(jiān)控場景中目標(biāo)檢測算法難以同時做到抑制錯誤檢測與提升正確檢測等問題。本文根據(jù)目標(biāo)檢測算法面臨的挑戰(zhàn),通過分別引入空間上下文和時間上下文信息,解決相應(yīng)的問題。具體而言,本文的主要工作如下:針對多尺度目標(biāo)檢測算法中存在的大量小尺寸錯誤檢測的問題,提出了一種基于預(yù)檢測算法模塊的目標(biāo)檢測算法,該算法模塊相比于檢測特征層位于更深一層的特征層中,擁有語義表達(dá)能力強和空間上下文信息豐富的優(yōu)勢,它用來對每個先驗框潛在偏移的區(qū)域進(jìn)行物體性預(yù)檢測。實驗分析驗證了對同一感興趣區(qū)域使用不同深度特征層進(jìn)行獨立檢測流程切實有益于提升最終的檢測性能,進(jìn)而證明預(yù)檢測算法模塊輸出的區(qū)域物體性置信度能夠有效抑制小尺寸的錯誤檢測數(shù)量,提升目標(biāo)檢測算法的總體性能。針對目標(biāo)聚集場景中正確檢測數(shù)量過少的問題,提出了一種基于視野膨脹與自注意力聚焦的目標(biāo)檢測算法。該方法使算法網(wǎng)絡(luò)專注于候選框區(qū)域中目標(biāo)物體所在的核心位置,降低候選框區(qū)域特征在目標(biāo)物體聚集時出現(xiàn)的定位混亂問題,進(jìn)而提升物體聚集場景下算法的正確檢測數(shù)量。該方法在KITTI行人檢測測試集的困難難度測評中,準(zhǔn)確率均值達(dá)到74.8%,在截至目前的KITTI行人檢測算法排行榜單中位列第一。針對真實世界的監(jiān)控場景目標(biāo)檢測問題,提出了一種基于前景增強與背景對齊的目標(biāo)檢測算法,旨在做到同時抑制錯誤檢測與提升正確檢測。該方法為兩步式目標(biāo)檢測算法,首先在第一階段使用背景消除算法對監(jiān)控視頻的時間上下文信息加以利用,提取每幀圖像對應(yīng)的前景圖像,并使用前景圖像生成特征級別掩碼,增強前景物體區(qū)域的特征表達(dá),同時抑制背景區(qū)域的噪聲響應(yīng)。隨后在算法的第二階段使用成對式的非局部關(guān)聯(lián)操作解決背景圖像和原始幀圖像之間的未對齊問題,完成對檢測框的精準(zhǔn)定位回歸,提升算法性能。經(jīng)過實驗分析,該方法展示了其在抑制錯誤檢測與提升正確檢測兩方面的優(yōu)秀性能。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP18
【部分圖文】：

（ａ）?＃于ＨＯＧ的檢測算法流程?（ｂ）方向梯度Ｂ方閣ＨＯＧ的效果??圖１－２基于方向梯度直方圖ＨＯＧ的目標(biāo)檢測算法流程及效果??在此之后，Ｆｅｌｚｅｎｓｚｗａｌｂ等［１６’３４１使用方向梯度直方圖ＨＯＧ的特征提取方法，??提出了經(jīng)典的可變形組件模型（ｄｅｆｏｒｍａｂｌｅ?ｐａｒｔ?ｍｏｄｅｌ，?ＤＰＭ），并在２００７至２００９??年通過對ＤＰＭ算法的不斷優(yōu)化改良，連續(xù)三年獲得ＰＡＳＣＡＬ?ＶＯＣ［３５１目標(biāo)檢測??比賽的冠軍。ＤＰＭ算法成為除了近些年的深度學(xué)習(xí)檢測算法外最經(jīng)典和最優(yōu)秀??的目標(biāo)檢測算法之一。??以人體檢測為例，ＤＰＭ算法的基本思想是，通過對輸入圖像提取不同尺寸??的ＨＯＧ特征圖，分別使用代表人體特征的根濾波器（ｒｏｏｔｆｉｌｔｅｒ）和代表局部特??４??

尺度的２倍，所以在Ａ：，ＺＱ－Ａ中位置坐標(biāo)為２（．ｒ〇，ｙ〇）＋叫，其中Ｚ０?—Ａ表示組件??濾波器響應(yīng)所在的尺度層，Ａ表示局部組件的基準(zhǔn)位置相對理想位置的偏移量。??Ｆｅｌｚｅｎｓｚｗａｌｂ等＿提出的算法流程如圖１－３所示。??１．２．２基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)目標(biāo)檢測算法??自２０１２年Ａｌｅｘ等［２３］將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在圖像分類任務(wù)中并取得突破性??進(jìn)展后，計算機視覺其他領(lǐng)域的學(xué)者也開始嘗試使用卷積神經(jīng)網(wǎng)絡(luò)替代手工設(shè)??計的方法進(jìn)行圖像特征提取。２０１４年，Ｇｉｒｓｈｉｃｋ等＾將卷積神經(jīng)網(wǎng)絡(luò)引入目標(biāo)??檢測領(lǐng)域，提出基于區(qū)域的ＣＮＮ檢測算法（Ｒｅｇｉｏｎ－ｂａｓｅｄ?ＣＮＮ，?Ｒ－ＣＮＮ），使用??卷積神經(jīng)網(wǎng)絡(luò)對圖像的感興趣候選區(qū)域進(jìn)行特征提取，并將提取到的特征用于??分類和定位回歸任務(wù)。??￣Ｋ?＾１?ＳＶＭ分類??卷積艘眺?ｙｚ＼?」??「細(xì)申經(jīng)網(wǎng)絡(luò)?ｆ??ｔ?Ｕｓｙｉ?藤性搜索?ｚ?ｃｎｎ?夕，ｉｉｉｉ歸定位??＾?Ｓｅｌｅｃｔｉｖｅ?Ｓｅａｒｃｈ?Ｉ?＾??：修＾?１怎」…容圉??選取約２０００個?裁縮放?Ｊ?ＣＮＮ?／回歸詛位??候選Ｋ域?候選Ｋ域Ｚ??—?ｒ????圖１－４?Ｒ－ＣＮＮ目標(biāo)檢測算法流程??如圖１－４所不，Ｒ－ＣＮＮ算法首先使用傳統(tǒng)的選擇性搜索算法（ｓｅｌｅｃｔｉｖｅｓｅａｒｃｈ）??［３６１進(jìn)行感興趣區(qū)域的選擇，選取約２０００個候選區(qū)域。隨后算法依次將候選區(qū)域??從原圖中裁剪

隨后提出ＦａｓｔＲ－ＣＮＮ算法，通過引入感興趣區(qū)域池化操作（ＲｏＩＰｏｏｌｉｎｇ），避免??了提取特征過程中的大量冗余操作，提升了算法的計算速度。ＦａｓｔＲ＿ＣＮＮ算法??的操作流程如圖１－５所示，整幅輸入圖像被送進(jìn)ＣＮＮ網(wǎng)絡(luò)中提取特征，而通過??選擇性搜索獲得的候選框區(qū)域會等比例縮小映射到神經(jīng)網(wǎng)絡(luò)特征層上，然后使??用感興趣區(qū)域池化操作，從每個候選區(qū)域直接提取特征，經(jīng)過一層全連接層操作??（Ｍｌｙ?ｃｏｎｎｅｃｔｅｄ?ｌａｙｅｒ）輸出分類和回歸的結(jié)果。??７??
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學(xué)習(xí)的目標(biāo)檢測算法[J];軟件導(dǎo)刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標(biāo)檢測算法[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標(biāo)檢測算法分析[J];測繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(社會科學(xué)版);1994年05期

5 孫蓉蓉;李清;張國昌;;電力監(jiān)控系統(tǒng)中運動目標(biāo)檢測算法研究[J];數(shù)字技術(shù)與應(yīng)用;2019年12期

6 趙寶康;李晉文;楊帆;劉佳豪;;一種基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測算法[J];計算機工程與科學(xué);2019年12期

7 許云;李彬;;基于背景遺傳模型的運動目標(biāo)檢測算法[J];自動化技術(shù)與應(yīng)用;2017年03期

8 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測算法[J];通信技術(shù);2015年07期

9 諸葛霞;向健勇;;基于分形特征的目標(biāo)檢測算法概述及仿真[J];紅外技術(shù);2006年10期

10 鄺熠;陶果;朱玉潔;蔡偉立;;基于深度學(xué)習(xí)的目標(biāo)檢測算法研究與應(yīng)用[J];計算機產(chǎn)品與流通;2020年01期

相關(guān)博士學(xué)位論文 前10條

1 付志航;基于空間與時間上下文的深度學(xué)習(xí)目標(biāo)檢測算法研究[D];浙江大學(xué);2019年

2 黃響;高速微弱目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2019年

3 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標(biāo)檢測算法研究[D];哈爾濱工程大學(xué);2018年

4 趙紅燕;被動多基站雷達(dá)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

5 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2017年

6 李健;星載寬幅SAR及目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

7 潘雪莉;機載環(huán)視SAR海面特性和艦船目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2018年

8 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標(biāo)檢測算法研究[D];深圳大學(xué);2018年

9 曾冬冬;視頻監(jiān)控中的前景目標(biāo)檢測算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機械與物理研究所);2019年

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

相關(guān)碩士學(xué)位論文 前10條

1 盧鑫鑫;基于深度學(xué)習(xí)的無人機檢測算法研究[D];華中科技大學(xué);2019年

2 孔蘭芳;基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路小目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

3 朱秀紅;基于深度卷積網(wǎng)絡(luò)的輸電線路變尺度多目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

4 王瑜;復(fù)雜探測環(huán)境下目標(biāo)檢測算法的優(yōu)化及其在FPGA中的實現(xiàn)[D];華中科技大學(xué);2019年

5 何兆華;基于FPGA的YOLOv2網(wǎng)絡(luò)研究與實現(xiàn)[D];華中科技大學(xué);2019年

6 湯松巖;基于YOLOv3的航拍目標(biāo)檢測算法研究及應(yīng)用[D];華中科技大學(xué);2019年

7 杜旺;高分辨率圖像下的小目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

8 雷家薈;基于深度學(xué)習(xí)的遙感目標(biāo)檢測算法[D];華中科技大學(xué);2019年

9 薛彬;基于深度學(xué)習(xí)的自然環(huán)境下的水果目標(biāo)檢測研究[D];燕山大學(xué);2019年

10 蘭先超;基于DnRCNN的SAR圖像目標(biāo)檢測算法研究[D];華中科技大學(xué);2019年

本文編號：2880346