為了減少和消除煙草危害,保障公眾健康,我國多地發(fā)布控制吸煙條例,規(guī)定室內(nèi)公共場所全面禁止吸煙,并明確了室外禁止吸煙的公共場所范圍,擴大禁煙范圍是大勢所趨。與人工監(jiān)督方法和傳統(tǒng)傳感器煙霧報警相比,基于計算機視覺的吸煙行為檢測系統(tǒng)具有監(jiān)控范圍廣、監(jiān)控資源利用率高、自動定位吸煙者并發(fā)出警報等優(yōu)點。本文結(jié)合公共場所和香煙自身特點,研究基于人臉分析的視頻吸煙行為檢測算法并實現(xiàn)系統(tǒng)在嵌入式平臺Xavier上的部署。主要工作如下:（1）提出針對公共場所吸煙者的改進的MTCNN人臉檢測算法。從傳統(tǒng)機器學習和深度學習兩方面對人臉檢測算法進行比較分析,闡述了基于Haar-Adaboost的人臉檢測算法的局限性。針對公共場所吸煙者的人臉特性,提出了引入錨點（Anchor）的改進的MTCNN算法,能夠檢測小或極小尺寸的人臉,同時使用稀疏金字塔處理較大尺度人臉,減小網(wǎng)絡(luò)前向計算量。所提算法在WIDER_FACE測試集人臉檢測速度和平均精度上有較明顯的提升,保證了算法的實時性和有效性。（2）提出基于人臉分析的吸煙行為檢測算法。在改進的MTCNN算法人臉框坐標回歸的基礎(chǔ)上確定嘴部區(qū)域定位規(guī)則,比... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

人臉分類器原理

第2章吸煙行為檢測相關(guān)理論分析7通常傳統(tǒng)的人臉檢測算法主要是用大量的人臉和非人臉樣本圖像進行訓練，通過學習到的人臉特征構(gòu)建人臉二分類器，也叫做人臉檢測模板。以對圖像以固定尺度的窗口從左向右從上至下滑動的方式判斷滑窗里是否是人臉，即為滑動窗口技術(shù)。人臉分類器的原理如圖2-1所示。由于人臉大小不固定且采集圖像分辨率不同，為了解決普通滑窗技術(shù)只能檢測單一尺寸人臉圖像的問題，通過引入圖像金字塔[15]，對目標圖像進行多尺度表達，從而在提取圖像特征時，實現(xiàn)多尺度的滑窗掃描。常見的金字塔有拉普拉斯金字塔，高斯金字塔等，通過對原始圖像進行上采樣或者下采樣操作來構(gòu)建多分辨率的圖像金字塔，隨著層級越高，圖像就會越小，分辨率也會越低[16]。圖像金字塔示意圖如圖2-2所示。圖2-2圖像金字塔示意圖基于傳統(tǒng)機器學習方法構(gòu)建人臉檢測模型主要包括兩部分：(1)人臉特征提��；(2)人臉分類器的構(gòu)建。我們一般用最具區(qū)分性和獨立性的圖像特征來描述待檢測圖像內(nèi)容，在從原始圖像數(shù)據(jù)中提取最有助于分類的特征的同時，也會很大程度上降低樣本的維數(shù)。常用的人臉檢測特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意圖如圖2-3、2-4所示。圖2-3LBP特征示意圖

第2章吸煙行為檢測相關(guān)理論分析7通常傳統(tǒng)的人臉檢測算法主要是用大量的人臉和非人臉樣本圖像進行訓練，通過學習到的人臉特征構(gòu)建人臉二分類器，也叫做人臉檢測模板。以對圖像以固定尺度的窗口從左向右從上至下滑動的方式判斷滑窗里是否是人臉，即為滑動窗口技術(shù)。人臉分類器的原理如圖2-1所示。由于人臉大小不固定且采集圖像分辨率不同，為了解決普通滑窗技術(shù)只能檢測單一尺寸人臉圖像的問題，通過引入圖像金字塔[15]，對目標圖像進行多尺度表達，從而在提取圖像特征時，實現(xiàn)多尺度的滑窗掃描。常見的金字塔有拉普拉斯金字塔，高斯金字塔等，通過對原始圖像進行上采樣或者下采樣操作來構(gòu)建多分辨率的圖像金字塔，隨著層級越高，圖像就會越小，分辨率也會越低[16]。圖像金字塔示意圖如圖2-2所示。圖2-2圖像金字塔示意圖基于傳統(tǒng)機器學習方法構(gòu)建人臉檢測模型主要包括兩部分：(1)人臉特征提��；(2)人臉分類器的構(gòu)建。我們一般用最具區(qū)分性和獨立性的圖像特征來描述待檢測圖像內(nèi)容，在從原始圖像數(shù)據(jù)中提取最有助于分類的特征的同時，也會很大程度上降低樣本的維數(shù)。常用的人臉檢測特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意圖如圖2-3、2-4所示。圖2-3LBP特征示意圖

【參考文獻】：
期刊論文
[1]激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中的對比研究[J]. 田娟,李英祥,李彤巖.  計算機系統(tǒng)應用. 2018(07)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[3]不同池化模型的卷積神經(jīng)網(wǎng)絡(luò)學習性能研究[J]. 劉萬軍,梁雪劍,曲海成.  中國圖象圖形學報. 2016(09)
[4]吸煙危害健康,遠離吸煙[J].   中國職業(yè)醫(yī)學. 2016(04)
[5]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[6]基于統(tǒng)計的人臉檢測方法研究[J]. 張明慧,張明超,張堯禹.  電腦編程技巧與維護. 2012(18)
[7]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和.  計算機工程與應用. 2011(03)
[8]人臉檢測研究綜述[J]. 梁路宏,艾海舟,徐光祐,張鈸.  計算機學報. 2002(05)

博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應用[D]. 高震宇.中國科學技術(shù)大學 2018

碩士論文
[1]基于多特征融合的室內(nèi)吸煙煙霧識別算法研究[D]. 劉遠丁.燕山大學 2018
[2]基于視頻監(jiān)控的室內(nèi)香煙煙霧檢測算法研究[D]. 艾博.燕山大學 2016
[3]基于煙霧多特征的吸煙行為識別算法研究[D]. 蘇翔宇.燕山大學 2014
[4]基于視頻煙霧的吸煙行為識別與研究[D]. 丁宏杰.燕山大學 2013
[5]針對吸煙行為的手勢識別算法研究[D]. 王超.燕山大學 2013



本文編號：2963491