行人檢測(cè)是智能視頻分析的重要內(nèi)容,通過(guò)計(jì)算機(jī)視覺(jué)技術(shù)判斷圖像或者視頻序列中是否存在行人并給予精確定位。受行人個(gè)體之間尺度差異和相互遮擋等因素影響,行人檢測(cè)方法存在特征提取效果不佳、定位精度較低和檢測(cè)速度較慢的問(wèn)題,因此行人檢測(cè)受到眾多研究者的廣泛關(guān)注。本文圍繞基于深度學(xué)習(xí)的行人檢測(cè)方法,在小行人檢測(cè)、密集行人檢測(cè)等方面展開(kāi)研究,具體如下:在基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)方面,研究實(shí)現(xiàn)了基于Faster R-CNN、Cascade R-CNN和RetinaNet的三種行人檢測(cè)方法,并在Caltech數(shù)據(jù)集上進(jìn)行評(píng)測(cè)。實(shí)驗(yàn)結(jié)果表明,單階段的RetinaNet方法能在AP50、Recall和行人檢測(cè)效率指標(biāo)上領(lǐng)先于Faster R-CNN和Cascade R-CNN,但其過(guò)于密集的錨點(diǎn)框鋪設(shè)使得mMR和F1 score表現(xiàn)不佳。在小行人檢測(cè)方面,提出了改進(jìn)的小行人特征提取方法。首先,通過(guò)調(diào)整Kmeans聚類距離度量參數(shù),得到與真實(shí)框貼合度更高的錨點(diǎn)框,解決卷積神經(jīng)網(wǎng)絡(luò)特征提取和邊界框回歸訓(xùn)練過(guò)程中復(fù)雜度高的問(wèn)題。其次,在YOLOv3框架所使用的主干卷積神經(jīng)網(wǎng)絡(luò)上引入密集連接模塊,增強(qiáng)算法對(duì)小行人... 

【文章來(lái)源】：中國(guó)人民公安大學(xué)北京市

【文章頁(yè)數(shù)】：109 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 行人檢測(cè)
        1.2.2 小行人檢測(cè)
        1.2.3 密集行人檢測(cè)
    1.3 本文主要研究?jī)?nèi)容與結(jié)構(gòu)安排
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 結(jié)構(gòu)安排
2 基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)
    2.1 基于Faster R-CNN的行人檢測(cè)
    2.2 基于Cascade R-CNN的行人檢測(cè)
    2.3 基于RetinaNet的行人檢測(cè)
    2.4 實(shí)驗(yàn)與結(jié)果分析
        2.4.1 實(shí)驗(yàn)環(huán)境
        2.4.2 數(shù)據(jù)集與評(píng)估指標(biāo)
            2.4.2.1 數(shù)據(jù)集
            2.4.2.2 評(píng)估指標(biāo)
        2.4.3 實(shí)驗(yàn)過(guò)程
        2.4.4 實(shí)驗(yàn)結(jié)果分析
    2.5 本章小結(jié)
3 小行人檢測(cè)
    3.1 YOLO系列行人檢測(cè)
        3.1.1 基于YOLOv1的行人檢測(cè)
        3.1.2 基于YOLOv2的行人檢測(cè)
        3.1.3 基于YOLOv3的行人檢測(cè)
    3.2 改進(jìn)的YOLOv3單階段小行人檢測(cè)
        3.2.1 網(wǎng)絡(luò)框架
            3.2.1.1 多尺度與特征金字塔
            3.2.1.2 網(wǎng)絡(luò)密集連接
        3.2.2 距離度量
    3.3 實(shí)驗(yàn)與結(jié)果分析
        3.3.1 實(shí)驗(yàn)環(huán)境
        3.3.2 數(shù)據(jù)集與評(píng)估指標(biāo)
        3.3.3 實(shí)驗(yàn)過(guò)程
        3.3.4 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
4 密集行人檢測(cè)
    4.1 密集行人檢測(cè)方法
    4.2 邊界框回歸
        4.2.1 L2范數(shù)與MSE邊界框回歸損失
        4.2.2 L1范數(shù)與MAE邊界框回歸損失
        4.2.3 Smooth L1邊界框回歸損失
        4.2.4 IoU 邊界框回歸損失
        4.2.5 GIoU 邊界框回歸損失
    4.3 改進(jìn)的密集行人檢測(cè)方法
        4.3.1 總體框架
        4.3.2 邊界框回歸損失
            4.3.2.1 DIoU邊界框回歸損失
            4.3.2.2 CIoU邊界框回歸損失
    4.4 實(shí)驗(yàn)與結(jié)果分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 數(shù)據(jù)集與評(píng)估指標(biāo)
        4.4.3 實(shí)驗(yàn)過(guò)程與結(jié)果分析
    4.5 本章小結(jié)
5 基于深度學(xué)習(xí)的行人檢測(cè)軟件實(shí)現(xiàn)
    5.1 開(kāi)發(fā)環(huán)境與界面設(shè)計(jì)
        5.1.1 開(kāi)發(fā)環(huán)境
        5.1.2 界面設(shè)計(jì)
            5.1.2.1 “用戶登錄”界面
            5.1.2.2 “功能選擇”界面
            5.1.2.3 “視頻行人檢測(cè)”界面
            5.1.2.4 “單圖行人檢測(cè)”界面
            5.1.2.5 “數(shù)據(jù)集性能評(píng)估”界面
    5.2 軟件功能實(shí)現(xiàn)
        5.2.1 視頻行人檢測(cè)功能實(shí)現(xiàn)
        5.2.2 單圖行人檢測(cè)功能實(shí)現(xiàn)
        5.2.3 數(shù)據(jù)集性能評(píng)估功能實(shí)現(xiàn)
    5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
在學(xué)研究成果
    一、 在學(xué)期間所獲的獎(jiǎng)勵(lì)
    二、 在學(xué)期間發(fā)表的論文
致謝


【參考文獻(xiàn)】：
碩士論文
[1]跨攝像機(jī)行人跟蹤方法研究與實(shí)現(xiàn)[D]. 周婧琳.中國(guó)人民公安大學(xué) 2019



本文編號(hào)：3004989