基于圖像和視頻的行人檢測(cè)是行人跟蹤、行為分析、步態(tài)分析、行人身份識(shí)別等研究的基礎(chǔ)和前提,也是計(jì)算機(jī)視覺(jué)領(lǐng)域最重要的研究方向之一。隨著時(shí)代的發(fā)展,無(wú)論是視頻監(jiān)控、車(chē)輛輔助駕駛還是智能機(jī)器人,人們對(duì)行人檢測(cè)的需求日益漸長(zhǎng)。近年來(lái)有關(guān)基于深度學(xué)習(xí)的行人檢測(cè)算法陸續(xù)被提出以解決傳統(tǒng)手工方法對(duì)行人檢測(cè)精度低、速度慢的缺點(diǎn)�，F(xiàn)有基于深度學(xué)習(xí)的行人檢測(cè)算法占用資源大,精度和速度均有待進(jìn)一步提高,無(wú)法滿足實(shí)時(shí)監(jiān)測(cè)的需要。本文以微型YOLO為原型,對(duì)基于YOLO算法的行人檢測(cè)進(jìn)行研究,并在此基礎(chǔ)上對(duì)其進(jìn)行改進(jìn)。使用SSE算法對(duì)候選框進(jìn)行聚類(lèi),采用多尺度訓(xùn)練策略在混合數(shù)據(jù)集上進(jìn)行訓(xùn)練,給出的改進(jìn)模型占用存儲(chǔ)空間小,進(jìn)一步提高了檢測(cè)的精度和速度,模型的泛化能力得到增強(qiáng)。具體工作如下:(1)對(duì)行人檢測(cè)的研究背景與意義進(jìn)行闡述,并對(duì)傳統(tǒng)行人檢測(cè)與深度學(xué)習(xí)行人檢測(cè)的國(guó)內(nèi)外現(xiàn)狀進(jìn)行研究;介紹了行人檢測(cè)相關(guān)技術(shù),包括基于傳統(tǒng)方法、深度神經(jīng)網(wǎng)絡(luò)的行人檢測(cè);對(duì)微型YOLO算法進(jìn)行詳細(xì)解析,并在INRIA標(biāo)準(zhǔn)數(shù)據(jù)集上給出了初始實(shí)驗(yàn)結(jié)果。(2)給出了改進(jìn)YOLO網(wǎng)絡(luò)結(jié)構(gòu)的行人檢測(cè)模型。對(duì)yolov3-tiny網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了不...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景與意義
    1.2 行人檢測(cè)難點(diǎn)和國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)方法行人檢測(cè)
        1.2.2 深度學(xué)習(xí)行人檢測(cè)
    1.3 研究問(wèn)題描述
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 行人檢測(cè)相關(guān)技術(shù)
    2.1 基于傳統(tǒng)方法的行人檢測(cè)
        2.1.1 滑動(dòng)窗口選擇
        2.1.2 梯度方向直方圖(HOG)
        2.1.3 支持向量機(jī)(SVM)
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)
        2.2.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)
        2.2.2 前向傳播算法
        2.2.3 反向傳播算法
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 行人檢測(cè)常用數(shù)據(jù)集
    2.4 實(shí)驗(yàn)環(huán)境及硬件配置
    2.5 本章小結(jié)
第3章 基于YOLO算法的行人檢測(cè)模型
    3.1 微型YOLO檢測(cè)算法
        3.1.1 目標(biāo)行人定位
        3.1.2 非極大值抑制
        3.1.3 k-means聚類(lèi)算法
        3.1.4 網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 網(wǎng)絡(luò)訓(xùn)練
    3.3 評(píng)價(jià)指標(biāo)與計(jì)算方法
    3.4 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第4章 基于細(xì)粒度融合與殘差模塊的網(wǎng)絡(luò)改進(jìn)
    4.1 引言
    4.2 SSE優(yōu)化K值
    4.3 網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)
        4.3.1 細(xì)粒度多層特征融合
        4.3.2 殘差模塊
    4.4 網(wǎng)絡(luò)訓(xùn)練
    4.5 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
第5章 混合數(shù)據(jù)集多尺度訓(xùn)練的行人檢測(cè)模型
    5.1 引言
    5.2 數(shù)據(jù)預(yù)處理
    5.3 重聚類(lèi)初始框
    5.4 網(wǎng)絡(luò)訓(xùn)練
        5.4.1 預(yù)訓(xùn)練
        5.4.2 多尺度訓(xùn)練
    5.5 實(shí)驗(yàn)結(jié)果與分析
    5.6 本章小結(jié)
第6章 總結(jié)與未來(lái)展望
    6.1 總結(jié)
    6.2 下一步工作
參考文獻(xiàn)
致謝
附錄:攻讀學(xué)位期間主持的科研項(xiàng)目與公開(kāi)發(fā)表的學(xué)術(shù)成果



本文編號(hào)：3859198