行人檢測與重識別技術是智能監(jiān)控系統(tǒng)的一項基本技術,記錄著人群的行為信息、運動信息和軌跡信息等,可用于解決交通安全、刑偵案件和自動駕駛等實際問題。行人檢測是指對圖像或視頻中存在行人的位置進行判斷,區(qū)別行人與背景圖像,實現行人定位。行人重識別是指在行人檢測的基礎上對行人圖像做更進一步的處理,它不僅要從不同攝像頭中檢測出行人的位置,還要判斷所檢測出來的行人是否屬于同一個行人。然而,目前現有的檢測與重識別網絡存在計算量成本高、模型存儲量大等缺點,如何提高模型的計算速度,達到實時檢測的效果,成為了待以解決的問題。為此,本文對行人檢測與重識別模型進行研究,結合輕量級網絡技術對模型進行改進,提高了網絡的運算速度,同時保持一定的準確率。本文的主要工作內容如下:(1)針對提高行人檢測問題,本文提出了一種基于無錨點框架的輕量級行人檢測改進算法,該算法能有效提高檢測速度,節(jié)省計算資源。它以無錨點框的行人檢測模型CSP為基準框架,分別由輕量級特征提取網絡,多尺度特征融合網絡以及檢測網絡構成。輕量級特征提取網絡采用針對移動嵌入設計的Mobile Net V2模型模型,大幅降低特征提取模型的參數量和計算量。多尺度...

【文章頁數】：103 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現狀和水平
        1.2.1 行人檢測方法簡介
        1.2.2 行人重識別簡介
        1.2.3 輕量級網絡簡介
    1.3 行人檢測與重識別存在的問題
    1.4 本文的主要工作和章節(jié)結構安排
        1.4.1 主要工作內容
        1.4.2 本文的章節(jié)結構安排
第2章 卷積神經網絡與檢測基本理論
    2.1 卷積神經網絡
    2.2 輕量級網絡
        2.2.1 小卷積核的參數量優(yōu)化
        2.2.2 標準卷積神經網絡
        2.2.3 深度可分離卷積
        2.2.4 分組卷積
    2.3 網絡性能衡量
        2.3.1 網絡參數量分析
        2.3.2 網絡FLOPs性能分析
    2.4 交叉熵分類函數
        2.4.1 標準交叉熵評估
        2.4.2 加權的交叉熵損失函數
        2.4.3 基于Focal Loss的交叉熵函數
第3章 基于無錨點框架的輕量級行人檢測改進算法
    3.1 引言
    3.2 相關工作
        3.2.1 基于深度學習的物體檢測方法
        3.2.2 常見網絡性能分析
    3.3 基于輕量級網絡的行人檢測算法
        3.3.1 輕量級特征提取網絡
        3.3.2 特征融合網絡分析
        3.3.3 檢測網絡分析
        3.3.4 基于輕量級網絡MobileNetV2的FPCSP網絡
        3.3.5 模型損失函數
        3.3.6 數據預處理
        3.3.7 網絡性能評估指標
    3.4 實驗結果與分析
        3.4.1 基于無錨點框架的輕量級行人檢測改進算法分析
        3.4.2 輕量級網絡分析
        3.4.3 分級多尺度多輸出特征融合方式實驗分析
        3.4.4 基于輕量級網絡的FPCSP網絡分析
    3.5 本章小結
第4章 基于輕量級網絡的行人重識別改進算法
    4.1 引言
    4.2 相關工作
    4.3 基于輕量級網絡的行人重識別改進算法
        4.3.1 模型訓練階段
        4.3.2 模型測試階段及重排序
        4.3.3 三元組度量函數
        4.3.4 實驗數據集MarKet-1501
        4.3.5 識別性能評估指標
    4.4 實驗結果與分析
        4.4.1 訓練參數配置
        4.4.2 基于輕量級網絡的行人重識別實驗結果
        4.4.3 輕量級網絡性能結果分析
        4.4.4 基于Triple函數結果分析
    4.5 本章小結
第5章 輕量級行人檢測和重識別系統(tǒng)設計與實現
    5.1 引言
    5.2 硬件配置與軟件環(huán)境
    5.3 界面設計
    5.4 模塊設計
    5.5 本章小結
第6章 總結與展望
    6.1 論文總結
    6.2 工作展望
參考文獻
指導教師對研究生學位論文的學術評語
學位論文答辯委員會決議書
致謝
攻讀碩士學位期間的研究成果



本文編號：3788162