卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過機(jī)器卷積運(yùn)算完全替代人工來獲取輸入層的圖像特征,提高了對(duì)輸入數(shù)據(jù)的識(shí)別能力。在本文設(shè)計(jì)的算法中使用了一種已經(jīng)非常成熟的卷積神經(jīng)網(wǎng)絡(luò)框架來設(shè)計(jì)行人檢測(cè)算法。針對(duì)行人之間的背景干擾和行人之間的遮擋問題,將行人的頭部作為被檢測(cè)對(duì)象,減少了被檢測(cè)對(duì)象的特征提取。在行人檢測(cè)過程中,借助魯棒性的Fast R-CNN中的區(qū)域提議網(wǎng)絡(luò)（RPN）作為行人檢測(cè)器,來獲得更好的檢測(cè)效果以及提高計(jì)算速度和精度,不足之處這個(gè)分類器可能會(huì)降低檢測(cè)過程中的性能。因此本文基于魯棒性的Fast R-CNN對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行了改進(jìn),并將卷積層獲取的圖像特征圖進(jìn)行融合以便獲得更加豐富精密的樣本。實(shí)驗(yàn)表明,本文改進(jìn)的方法可以準(zhǔn)確有效提高行人檢測(cè)的效率。本文的主要完成工作:（1）圖像融合其成像原理不同,因此所得圖像信息具有互補(bǔ)性。所以將Fast R-CNN與圖像融合技術(shù)二者結(jié)合增強(qiáng)了人們對(duì)原始圖像的認(rèn)知與理解,為了獲得更好的姿態(tài)感知,可視化顯著性提取方法能夠很好的突出源圖像的顯著信息。（2）本文提出了一種新的基于視覺顯著性特征的權(quán)重映射構(gòu)建過程,這個(gè)過程能夠?qū)⒃磮D像的視覺重要信息整合到融合圖像中。通過... 

【文章來源】：沈陽師范大學(xué)遼寧省

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

019“G60”上海佘山國(guó)際半程馬拉松；沈陽站人流高峰比如說智能車輛安全設(shè)計(jì)已經(jīng)成為研究人員和汽車制造商的主要關(guān)注點(diǎn)之一

復(fù)雜場(chǎng)景下自適應(yīng)行人檢測(cè)算法研究-9-特征卷積層源圖像圖2.5卷積層特征提取過程卷積層將線性變換應(yīng)用在輸出部分，因此為了引入一些非線性，通常的做法是將它們與一些激活函數(shù)相結(jié)合。文獻(xiàn)中提出了幾種激活函數(shù)，如sigmoid、tanh和激活函數(shù)(ReLU)及其變體。實(shí)際上，ReLU變量被用作激活函數(shù)，由于其他函數(shù)的缺點(diǎn)（例如，sigmoid和tanh的梯度消失問題），這些因素對(duì)加速隨機(jī)梯度下降的收斂有很大影響。卷積層和激活層可以通過添加一些歸一化層來進(jìn)一步豐富組合，例如，批量歸一化通常應(yīng)用于卷積層的輸出和激活的輸入之間。最近Yu[26]的研究已經(jīng)提出在卷積層結(jié)構(gòu)中引入第四個(gè)超參數(shù)--卷積核膨脹。它是解決pixel-wise輸出模型的一種常用的卷積方式，一種普遍的認(rèn)識(shí)是池化下采樣的操作造成信息的丟失是不可逆的，進(jìn)入分類識(shí)別模型后，僅僅預(yù)測(cè)其中一類的概率，因此就不再考慮池化會(huì)導(dǎo)致?lián)p失圖像細(xì)節(jié)信息的問題，但是做像素級(jí)的預(yù)測(cè)時(shí)（譬如語義分割），就要考慮到這個(gè)問題了。所以就要有一種卷積代替pooling的作用（成倍地增加感受野），而空洞卷積就是為了做這個(gè)的。通過卷積核插“0”的方式，如圖2.6所示它可以比普通的卷積獲得更大的感受野。紅點(diǎn)表示指定應(yīng)用過濾器的單元格，而綠色單元格突出顯示感受野。圖2.6使用擴(kuò)張卷積運(yùn)算將指數(shù)擴(kuò)大到有效感受野，同時(shí)線性增加參數(shù)的數(shù)量

復(fù)雜場(chǎng)景下自適應(yīng)行人檢測(cè)算法研究-11-圖2.7Im2col算法過程那么以同時(shí)處理三個(gè)三通道的圖像輸入數(shù)據(jù)：N=3，C=3，卷積核：N=3，C=3，輸出數(shù)據(jù)：N=3，C=1，圖2-8為算法優(yōu)化過程。圖2.8Im2col優(yōu)化過程UNet體系結(jié)構(gòu)[14]是一種最先進(jìn)的分段網(wǎng)絡(luò)，如圖2.9它將該網(wǎng)絡(luò)與積極的數(shù)據(jù)擴(kuò)充相結(jié)合，可以有效利用可用的訓(xùn)練數(shù)據(jù)，因此能夠在小型數(shù)據(jù)集上實(shí)現(xiàn)良好的性能，同時(shí)加快測(cè)試時(shí)間。U形由用于上下文提取的下降階段（編碼）和用于輸出地圖重構(gòu)的上采樣階段（解碼）給出�；疑^表示快捷方式連接，該快捷方式連接使得上采樣的重構(gòu)和特征圖的組合。UNet將完善的全卷積網(wǎng)絡(luò)(FCN)進(jìn)行分段擴(kuò)展，該網(wǎng)絡(luò)已成為語義分段的最先進(jìn)架構(gòu)。最初的FCN引入了使用較低分辨率（由于池化原因）特征圖的上采樣（雙線性插值或反卷積層）的想法，以便重構(gòu)輸出圖。研究發(fā)現(xiàn)在高分辨率特征和重建的地圖之間插入快捷方式連接，以改善定位。

【參考文獻(xiàn)】：
期刊論文
[1]融合深度感知特征與核極限學(xué)習(xí)機(jī)的行人檢測(cè)[J]. 孫銳,王慧慧,葉子豪.  電子測(cè)量與儀器學(xué)報(bào). 2019(02)
[2]基于改進(jìn)全卷積網(wǎng)絡(luò)的多尺度感知行人檢測(cè)算法[J]. 劉輝,彭力,聞繼偉.  激光與光電子學(xué)進(jìn)展. 2018(09)
[3]四元數(shù)小波變換聯(lián)合稀疏表示的圖像融合[J]. 常莉紅,馮象初,張瑞.  系統(tǒng)工程與電子技術(shù). 2017(07)
[4]基于嵌入式多尺度分解和可能性理論的多波段紋理圖像融合（英文）[J]. 藺素珍,王棟娟,王肖霞,朱小紅.  光譜學(xué)與光譜分析. 2016(07)
[5]結(jié)合目標(biāo)提取和壓縮感知的紅外與可見光圖像融合[J]. 王昕,吉桐伯,劉富.  光學(xué)精密工程. 2016(07)
[6]基于投影模型和圖像融合的拼接畸變消除算法[J]. 姚路,陳昌志,周橋,安世全.  計(jì)算機(jī)應(yīng)用與軟件. 2016(07)
[7]基于拉普拉斯金字塔與PCNN-SML的圖像融合算法[J]. 王佺,聶仁燦,金鑫,周冬明,賀康建,余介夫.  計(jì)算機(jī)科學(xué). 2016(S1)
[8]基于小波變換的多特征融合sEMG模式識(shí)別[J]. 于亞萍,孫立寧,張峰峰,張建法.  傳感技術(shù)學(xué)報(bào). 2016(04)
[9]基于彩色圖像融合的隱藏武器檢測(cè)技術(shù)[J]. 王亞杰,冉曉艷,葉永生,石祥濱.  光電工程. 2016(02)
[10]結(jié)合SVM分類器與HOG特征提取的行人檢測(cè)[J]. 徐淵,許曉亮,李才年,姜梅,張建國(guó).  計(jì)算機(jī)工程. 2016(01)

碩士論文
[1]醫(yī)學(xué)圖像融合與三維重建研究[D]. 孟慶明.吉林大學(xué) 2015



本文編號(hào)：3213841