發(fā)布時間：2021-01-16 09:51

　　行人檢測是計算機視覺中的熱門研究話題,近年來,隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks,CNN）的興起,各種基于卷積神經(jīng)網(wǎng)絡(luò)的檢測算法層出不窮。現(xiàn)今道路上車輛越來越多,隨之而來的行人安全問題也越來越突出,面向車輛輔助駕駛的高性能行人檢測算法能有效提醒駕駛員前方及周邊是否有行人,對于降低車禍發(fā)生概率具有重要的實際意義。將設(shè)計的基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測算法在硬件系統(tǒng)上進行驗證,能為面向車輛輔助駕駛的低成本行人檢測系統(tǒng)解決方案開拓思路。本文重點分析基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法原理,去除其冗余的分類結(jié)構(gòu),得到專用于行人檢測的神經(jīng)網(wǎng)絡(luò),由于該網(wǎng)絡(luò)參數(shù)較多,總體計算復雜度較高,須對網(wǎng)絡(luò)進行精簡以適于在車輛輔助駕駛場景下應(yīng)用。本文分兩方面進行精簡:一方面.,仿照二值神經(jīng)網(wǎng)絡(luò)（Binaried Neural Network,BNN）,二值化該網(wǎng)絡(luò)的卷積核參數(shù)及卷積層輸入,能有效減少網(wǎng)絡(luò)所占內(nèi)存大小,加快卷積計算;另一方面,對該網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)進行適當?shù)牟眉艉吞鎿Q,能有效減少網(wǎng)絡(luò)參數(shù),降低整體計算量。分別對兩個精簡網(wǎng)絡(luò)進行訓練并測試,選擇其中較好的網(wǎng)絡(luò)在硬件系統(tǒng)中實現(xiàn),并... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

Haar特征模板Haar特征也能表示行人特征，Viola和Jones[6]

、dropout 層等，也可自定義功能層。LetNet 是一個典型的卷積神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)如包含 2 層卷積層，2 層下采樣層，2 層全連接層，1 層輸入層，輸入圖像大小為 32×以歐式徑向基函數(shù)單元組成的輸出層。卷積神經(jīng)網(wǎng)絡(luò)可以通過學習大規(guī)模樣本的底積層數(shù)的增加，逐步學習到抽象的高層特征，最后得到樣本集特征表示。對于計算，底層特征一般來源于攝像頭拍攝的原始圖像。

東南大學工程碩士學位論文xmax - xminwwidth ymax - yminh =height xmin+(xmin+ xmax) / 2x =width ymin+(ymin+ ymax) / 2y =height ymin、width、height均為標注文件中的變量，需

【參考文獻】：
期刊論文
[1]深度學習認知計算綜述[J]. 陳偉宏,安吉堯,李仁發(fā),李萬里.  自動化學報. 2017(11)
[2]醉酒駕駛行為入罪論[J]. 賈凌,畢起美.  法學雜志. 2010(09)

碩士論文
[1]基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的行人檢測問題研究[D]. 李海龍.杭州電子科技大學 2017
[2]基于FPGA的Adaboost人臉檢測算法設(shè)計與驗證[D]. 龐偉.東南大學 2017
[3]基于ZYNQ的行人檢測系統(tǒng)軟硬件協(xié)同實現(xiàn)[D]. 梁新宇.大連海事大學 2016
[4]基于深度學習的行人檢測[D]. 王斌.北京交通大學 2015
[5]視頻監(jiān)控中人體跟蹤的研究與實現(xiàn)[D]. 范玉憲.浙江工業(yè)大學 2015
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測與識別研究[D]. 徐忠成.華中師范大學 2015
[7]基于HOG特征和模板匹配的行人檢測與跟蹤研究[D]. 周科嘉.吉林大學 2014
[8]先進駕駛輔助系統(tǒng)之行人檢測系統(tǒng)[D]. 韓永剛.西安電子科技大學 2014
[9]醉酒駕駛行為的刑法考量[D]. 張超.華東政法大學 2013



本文編號：2980610