隨深度學(xué)習(xí)的發(fā)展和硬件設(shè)備的完善,目標(biāo)檢測逐漸成為計(jì)算機(jī)視覺方向的重要研究內(nèi)容之一。它具備自動(dòng)化和智能化屬性,能夠確定圖像中是否包含指定目標(biāo),并給出目標(biāo)準(zhǔn)確的位置信息,在智慧交通、視頻監(jiān)控等諸多場景有著廣泛應(yīng)用。然而在圖像背景復(fù)雜和目標(biāo)被遮擋等的情況下,很難得到較好的檢測效果,而且卷積神經(jīng)網(wǎng)絡(luò)的使用讓模型復(fù)雜度有所提升,進(jìn)而帶來了計(jì)算成本的增加,導(dǎo)致算法應(yīng)用在算力較低的設(shè)備上時(shí)出現(xiàn)計(jì)算速度慢等問題�；诖�,本文對(duì)基于深度學(xué)習(xí)的目標(biāo)檢測方法展開了深入研究,構(gòu)建了一種輕量化的目標(biāo)檢測模型,并在自制裝甲板數(shù)據(jù)集上對(duì)本文所設(shè)計(jì)模型進(jìn)行應(yīng)用。其中,主要的工作如下。1.在目標(biāo)檢測任務(wù)中,傳統(tǒng)的方法大多使用手工設(shè)計(jì)的特征算法對(duì)圖像進(jìn)行分類,因此存在魯棒性差,耗時(shí)過長等問題�；诖�,本文引入卷積神經(jīng)網(wǎng)絡(luò)作為目標(biāo)檢測的依賴結(jié)構(gòu)。在對(duì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析的基礎(chǔ)上,分別研究了基于單階段和基于兩階段的檢測模型,采用了單階段檢測器（SSD）中錨點(diǎn)框回歸的方式來設(shè)計(jì)網(wǎng)絡(luò)模型,在不同尺度的特征圖上實(shí)現(xiàn)對(duì)目標(biāo)的預(yù)測。2.針對(duì)現(xiàn)有SSD模型參數(shù)量過大、檢測效率較低的問題,引入了MobileNetV2網(wǎng)絡(luò)中的深度可分... 

【文章來源】：湖北工業(yè)大學(xué)湖北省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像分

湖北工業(yè)大學(xué)碩士學(xué)位論文6圖2.1HOG特征示意圖2.1.2邊框位置回歸在特征提取前需生成若干個(gè)可能包含物體的候選框，由于候選框的預(yù)測位置可能不是很準(zhǔn)確，因此需要對(duì)其進(jìn)行調(diào)整，使其更接近待測目標(biāo)的真實(shí)值。如圖2.2所示，該圖為本文自制裝甲板數(shù)據(jù)集中的一張圖片，在這張圖中需要檢測的目標(biāo)為帶有兩個(gè)燈條的那塊標(biāo)識(shí)板（本文稱其為“裝甲板”），綠色框表示真實(shí)位置，即需檢測的裝甲板目標(biāo)，紅色框表示候選框的預(yù)測位置，從圖中可以看出，預(yù)測位置與真實(shí)位置相差過大。在這種情況下，哪怕紅色框被正確地識(shí)別為裝甲板，但由于其標(biāo)識(shí)的位置與真實(shí)位置的不相符，也使得待檢測裝甲板并沒有被準(zhǔn)確地檢測出來，因此需要對(duì)預(yù)測框進(jìn)行正確地位置回歸。

湖北工業(yè)大學(xué)碩士學(xué)位論文7圖2.2裝甲板的預(yù)測框與真實(shí)框在進(jìn)行位置回歸前對(duì)預(yù)測框和真實(shí)框之間的重疊程度進(jìn)行計(jì)算，用交并比(Intersection-over-Union，IoU)來表示，其計(jì)算方式如式2-1所示:)()()()(GACAGACAIoU(2-1)其中，CA)(代表預(yù)測框的面積，GA)(代表真實(shí)框的面積。IoU從數(shù)學(xué)上看表示預(yù)測框與真實(shí)框的重疊部分除以集合部分得到的比值。在回歸的過程中，需要對(duì)預(yù)測框的坐標(biāo)進(jìn)行微調(diào)，使其更接近真實(shí)框。令P為原始生成的候選框，G為真實(shí)框，G代表P經(jīng)過位置回歸后的檢測框。我們用四維向量hwyx),,,(來表示矩形框在圖像中的位置，其中x、y分別代表矩形框左上角在像素坐標(biāo)系中的橫、縱坐標(biāo)，w和h分別代表矩形框在像素坐標(biāo)系中的寬和高。則回歸的過程可以表示為：找到一種映射關(guān)系F，使得：),,,(),,,(),,,(GGGGGGGGPPPPFhwyxhwyxhwyx（2-2）所使用的回歸方式是先對(duì)邊框進(jìn)行平移，再對(duì)邊框的寬和高按一定比例進(jìn)行縮放。2.1.3非極大值抑制在經(jīng)過前述的兩個(gè)步驟后，模型通常會(huì)輸出許多重疊的預(yù)測框，因此還需在后置處理階段使用一種剔除策略來去除冗余的預(yù)測框以只保留一個(gè)最佳預(yù)測框。本文借鑒非極大值抑制算法（Non-maximumsuppression,NMS）的思想，來消除最高置信度預(yù)測框周圍的低置信度預(yù)測框，以此來實(shí)現(xiàn)目標(biāo)只有一個(gè)最佳的矩形包圍框的目的。NMS算法的流程圖如圖2.3所示，首先將得到的預(yù)測框的置信度從高到低排序，選出最高置信度和其對(duì)應(yīng)的候選框，然后遍歷其余的候選框，如果和當(dāng)前最高置信度候選框的交并比(IoU)大于給定閾值Nt（通常設(shè)置為0.5）就將

【參考文獻(xiàn)】：
期刊論文
[1]魯棒主成分分析的運(yùn)動(dòng)目標(biāo)檢測綜述[J]. 蔡念,周楊,劉根,楊志景,凌永權(quán).  中國圖象圖形學(xué)報(bào). 2016(10)
[2]移動(dòng)攝像機(jī)環(huán)境下基于特征變換和SVM的分級(jí)行人檢測算法[J]. 田廣,戚飛虎.  電子學(xué)報(bào). 2008(05)

碩士論文
[1]基于深度學(xué)習(xí)的對(duì)地目標(biāo)檢測技術(shù)研究[D]. 李小寧.中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所) 2019
[2]基于深度學(xué)習(xí)的視頻多目標(biāo)檢測研究[D]. 葛自立.貴州大學(xué) 2019
[3]基于Faster R-CNN的交通標(biāo)志檢測方法[D]. 楊夢夢.湖北工業(yè)大學(xué) 2019
[4]基于深度學(xué)習(xí)的靜態(tài)圖像目標(biāo)檢測研究[D]. 嚴(yán)海.華北電力大學(xué) 2019



本文編號(hào)：3019694