人手作為人類傳遞信息的重要媒介之一,在計算機視覺領域得到了廣泛的研究。在智能汽車場景中,車內人手檢測不僅是車載人機交互的基礎,還是分析駕駛員行為、研究車輛駕駛安全的基礎。為此,本文研究了基于深度學習的車內人手檢測算法。綜合評估算法的精度和速度,本文基于高效且快速的單階段目標檢測網絡YOLOv2提出了Multi-Scale YOLOv2人手檢測算法。該算法主要通過三個模塊來提升YOLOv2的人手檢測性能:1、多尺度特征提煉模塊,用來獲得更加精細化的特征,提升網絡對低分辨率人手的檢測性能;2、通道重要性評估模塊,用來自動學習特征通道的重要性并重新分配通道權重,增強特征的表現能力;3、難例懲罰模塊,通過在損失函數中增加一項難例損失項來增強網絡的判別能力,減少誤檢。針對基于單階段目標檢測網絡的人手檢測算法精度不夠高的問題,本文將兩階段目標檢測網絡Faster R-CNN應用于人手檢測。我們使用ResNet101作為基礎特征提取網絡,以提取表現力更好的特征。用可對齊的感興趣區(qū)域池化（ROI Align）代替原始的感興趣區(qū)域池化（ROI Pooling）,以解決目標候選框的位置和大小與目標不匹配的... 

【文章來源】：華中科技大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：102 頁

【學位級別】：碩士

【部分圖文】：

車載手勢交互在研究車輛駕駛安全時，駕駛員的手不僅可以為我們提供理解駕駛員行為的獨

變的建模能力。第 4 章介紹了基于知識蒸餾的 Thin Faster R-CNN 人手檢測算法。該算法采用知識蒸餾的方法訓練了一個速度快且準確率高的 Thin Faster R-CNN 人手檢測網絡。其中 Thin Faster R-CNN 網絡是將 Faster R-CNN 的基礎特征提取網絡ResNet101 的卷積通道數減少為原來的 1/4 得到的。該算法選擇了第 3 章的 FasterR-CNN 網絡作為老師模型來指導 Thin Faster R-CNN 進行蒸餾學習的訓練。其中，蒸餾學習包括基于注意力的特征圖蒸餾學習和分類蒸餾學習�；谧⒁饬Φ奶卣鲌D的蒸餾學習通過計算學生網絡與教師網絡的特征注意力圖之間的L2損失來引導學生網絡學到與教師網絡相似的特征表示，而分類蒸餾學習通過計算學生網絡的分類輸出與教師網絡的分類輸出的交叉熵來引導學生網絡學到更強大的分類器。第 5 章是本文的總結與展望，主要對全文的工作及創(chuàng)新點進行了總結，并分析存在的問題，進行相關的研究展望。本文各章之間的邏輯關系如下：

華 中 科 技 大 學 碩 士 學 位 論 文YOLO 的網絡結構如圖 2-1 所示，包括 6 組卷積和 1 組全連接。輸入圖片首先經過 6 組卷積進行特征提取，再通過全連接層進行候選框的類別概率和坐標的預測。由于算法將原圖劃分成S × S個單元格，每個單元格要預測 B 個候選框的 5 個預測值和 C 個類別概率值，所以一張輸入圖片經過網絡前向計算后，在輸出層得到維度為S × S × ( × 5 )的特征向量。

【參考文獻】：
期刊論文
[1]車載手勢識別中基于小波變換和雙邊濾波的圖像去噪方法[J]. 強彥,張曉慧.  北京理工大學學報. 2017(04)
[2]基于視覺的手勢識別技術在車載主機上的應用[J]. 陳義,馬云林.  電子設計工程. 2016(08)



本文編號：2986448