發(fā)布時(shí)間：2021-01-25 15:25

　　目標(biāo)檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)極為重要的分支,其在視覺領(lǐng)域中所起的作用無可替代。隨著人工智能、計(jì)算機(jī)視覺領(lǐng)域的不斷發(fā)展,目標(biāo)檢測(cè)被應(yīng)用于視覺導(dǎo)航、軍事公安以及虛擬現(xiàn)實(shí)等諸多領(lǐng)域,但是檢測(cè)效果并不能真正滿足實(shí)際需求,因此如何獲得更好的目標(biāo)檢測(cè)效果成為目標(biāo)檢測(cè)領(lǐng)域乃至整個(gè)計(jì)算機(jī)視覺領(lǐng)域亟待解決的問題。在綜合分析國(guó)內(nèi)外研究現(xiàn)狀的基礎(chǔ)之上,并結(jié)合深度學(xué)習(xí)、計(jì)算機(jī)視覺等相關(guān)知識(shí),對(duì)如何獲取更好的目標(biāo)檢測(cè)結(jié)果進(jìn)行了深入研究。具體研究?jī)?nèi)容如下:首先,介紹了目標(biāo)檢測(cè)的基本概念及相關(guān)知識(shí),并對(duì)本課題用到的卷積神經(jīng)網(wǎng)絡(luò)和組成卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層、全連接層等進(jìn)行了簡(jiǎn)要介紹。其次,根據(jù)卷積神經(jīng)網(wǎng)絡(luò)提取的各層次特征圖的特點(diǎn),提出一種利用特征圖加權(quán)融合實(shí)現(xiàn)的目標(biāo)檢測(cè)方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)提取彩色圖像特征,并根據(jù)特征圖加權(quán)融合思想提出特征圖加權(quán)融合方法同時(shí)由該方法得到新特征圖,再將新特征圖輸入到改進(jìn)的RPN網(wǎng)絡(luò)中得到區(qū)域建議,最后用ROI Pooling層提取區(qū)域建議特征并對(duì)特征分類且同時(shí)進(jìn)行目標(biāo)位置邊框回歸操作實(shí)現(xiàn)目標(biāo)檢測(cè)。再次,提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法。該方法利用殘差網(wǎng)絡(luò)提取特征... 

【文章來源】：燕山大學(xué)河北省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

目標(biāo)檢測(cè)示意圖

3040目標(biāo)類別圖 5-2 第 3 章 VGG 方法與其他方法針對(duì)不同類別目標(biāo)的檢測(cè)精度比較由圖 5-2 可知，在數(shù)據(jù)集 PASCAL VOC2007 和 VOC2012 上，所提方法對(duì)大多數(shù)類別的檢測(cè)精度明顯高于文獻(xiàn)[43]方法和文獻(xiàn)[47]方法的檢測(cè)精度。而將所提方法與文獻(xiàn)[44]方法進(jìn)行比較時(shí)發(fā)現(xiàn)，兩種方法在某些類別上的檢測(cè)精度雖然相接近，但是所提方法在多數(shù)類別上的檢測(cè)精度高于文獻(xiàn)[44]方法，且在部分類別上的檢測(cè)精度明顯高于文獻(xiàn)[44]方法，例如“bird”和“bottle”類，從而使所提方法的有效性得到進(jìn)一步驗(yàn)證。在圖 5-2 中，同一種目標(biāo)檢測(cè)方法對(duì)不同類別目標(biāo)的檢測(cè)精度各有差別，其主要原因是數(shù)據(jù)集 VOC2007 和 VOC2012 的訓(xùn)練集中包含每種類別目標(biāo)的彩色圖像的數(shù)量各不相同。所提 VGG 方法對(duì)數(shù)據(jù)集 KITTI 中部分圖像進(jìn)行目標(biāo)檢測(cè)的結(jié)果如圖 5-3 所示。

第 5 章 實(shí)驗(yàn)及結(jié)果分析證了第 4 章所提方法的有效性。在圖 5-4 中，同一種目標(biāo)檢測(cè)方法對(duì)不同類別目標(biāo)檢測(cè)精度各有差別，其原因同樣是數(shù)據(jù)集 VOC2007 和 VOC2012 的訓(xùn)練集中包含種類別目標(biāo)的彩色圖像的數(shù)量各不相同。第 4 章所提 ResNet101 方法對(duì)數(shù)據(jù)VOC2007 中部分圖像進(jìn)行目標(biāo)檢測(cè)的結(jié)果如圖 5-5 所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于并行跟蹤檢測(cè)框架與深度學(xué)習(xí)的目標(biāo)跟蹤算法[J]. 閆若怡,熊丹,于清華,肖軍浩,盧惠民.  計(jì)算機(jī)應(yīng)用. 2019(02)
[2]基于深度學(xué)習(xí)SSD模型的視頻室內(nèi)人數(shù)統(tǒng)計(jì)[J]. 鄭國(guó)書,朱秋煜,王輝.  工業(yè)控制計(jì)算機(jī). 2017(11)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的道路場(chǎng)景理解[J]. 吳宗勝,傅衛(wèi)平,韓改寧.  計(jì)算機(jī)工程與應(yīng)用. 2017(22)
[4]視覺導(dǎo)航系統(tǒng)中圖像采集及處理技術(shù)綜述[J]. 潘廣堂,李文文,楊先海.  科技視界. 2016(24)
[5]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang.  IEEE/CAA Journal of Automatica Sinica. 2016(02)
[6]主方向旋轉(zhuǎn)LBP特征的平面旋轉(zhuǎn)人臉檢測(cè)[J]. 李根,李文輝.  電子學(xué)報(bào). 2015(01)
[7]一種基于HOG-LBP的高效車輛檢測(cè)方法[J]. 楊先鳳,楊燕.  計(jì)算機(jī)工程. 2014(09)
[8]基于HOG和Haar特征的行人追蹤算法研究[J]. 陸星家,陳志榮,尹天鶴,楊帆.  計(jì)算機(jī)科學(xué). 2013(S1)



本文編號(hào)：2999463