目標(biāo)檢測是計算機視覺研究的熱門領(lǐng)域,也是目標(biāo)跟蹤、姿態(tài)識別和行為識別的關(guān)鍵,在視頻目標(biāo)智能監(jiān)控、目標(biāo)行為姿態(tài)識別、流水線產(chǎn)品檢測識別、醫(yī)學(xué)圖像分析等系統(tǒng)中被廣泛應(yīng)用。由于流水線產(chǎn)品有重疊或遮擋時,攝像頭捕捉到的產(chǎn)品圖像無法被機器手臂識別為上層目標(biāo)和下層目標(biāo),造成機器手臂無抓取、誤抓取或死機等現(xiàn)象,導(dǎo)致產(chǎn)品分類包裝錯亂和流水線產(chǎn)品積壓。本文在分析和研究基于統(tǒng)計背景模型灰度像素的傳統(tǒng)運動目標(biāo)檢測算法中的光流法、幀差法和背景減法及基于深度學(xué)習(xí)的幾種主流神經(jīng)網(wǎng)絡(luò)框架的基礎(chǔ)上,分別對背景建模算法和深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)進行改進,提取出流水線重疊產(chǎn)品的上層重疊目標(biāo),所做主要工作如下:（1）介紹目標(biāo)檢測的研究背景與意義、目前研究現(xiàn)狀和數(shù)字圖像處理基本理論,對基于像素灰度統(tǒng)計背景模型的傳統(tǒng)目標(biāo)檢測算法中的光流法、幀間差分法和背景減除法進行研究,介紹了深度學(xué)習(xí)相關(guān)基本理論和特征提取分類網(wǎng)絡(luò)結(jié)構(gòu),對基于深度學(xué)習(xí)的幾種主流網(wǎng)絡(luò)結(jié)構(gòu)進行對比分析,提出本文基于統(tǒng)計背景模型的自適應(yīng)混合高斯模型背景建模的改進和基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的YOLOv3架構(gòu)結(jié)合殘差密集網(wǎng)絡(luò)的改進算法。（2）本文從高斯背景建模的目標(biāo)前背景分離算法出... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 目標(biāo)檢測國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)檢測算法的研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)目標(biāo)檢測算法的研究現(xiàn)狀
    1.3 本文研究內(nèi)容和章節(jié)安排
第二章 傳統(tǒng)目標(biāo)檢測相關(guān)理論
    2.1 數(shù)字圖像處理基礎(chǔ)理論
        2.1.1 圖像去噪
        2.1.2 形態(tài)學(xué)處理
        2.1.3 邊緣檢測
        2.1.4 圖像分割
    2.2 傳統(tǒng)目標(biāo)檢測算法理論
        2.2.1 光流法
        2.2.2 幀差法
        2.2.3 背景減法
    2.3 本章小結(jié)
第三章 深度學(xué)習(xí)目標(biāo)檢測相關(guān)理論
    3.1 深度學(xué)習(xí)基礎(chǔ)理論
        3.1.1 基本概念
        3.1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 YOLO目標(biāo)檢測算法
        3.2.1 YOLOv1算法原理介紹
        3.2.2 YOLOv2算法原理介紹
        3.2.3 YOLOv3算法原理介紹
    3.3 本章小結(jié)
第四章 改進的自適應(yīng)混合高斯模型重疊檢測
    4.1 混合高斯模型
        4.1.1 背景建模
        4.1.2 參數(shù)更新
        4.1.3 生成背景模型
    4.2 改進的自適應(yīng)混合高斯模型
        4.2.1 高斯分布初始化
        4.2.2 學(xué)習(xí)率更新
        4.2.3 初始參數(shù)設(shè)定
    4.3 目標(biāo)圖像去噪與預(yù)處理
    4.4 自適應(yīng)混合高斯模型重疊檢測
    4.5 本章小結(jié)
第五章 基于YOLOv3重疊目標(biāo)檢測
    5.1 網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整
    5.2 損失函數(shù)優(yōu)化
    5.3 制作訓(xùn)練集和訓(xùn)練模型
    5.4 基于YOLOv3重疊目標(biāo)檢測
        5.4.1 實驗平臺
        5.4.2 網(wǎng)絡(luò)參數(shù)
        5.4.3 上層重疊目標(biāo)檢測
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
攻讀學(xué)位期間的研究成果


【參考文獻】：
期刊論文
[1]基于OpenCV的車道線檢測改進算法[J]. 張路遙,梁毓明,張?zhí)炻?  信息技術(shù)與信息化. 2019(12)
[2]基于殘差密集網(wǎng)絡(luò)的單幅圖像超分辨率重建[J]. 謝雪晴.  計算機應(yīng)用與軟件. 2019(10)
[3]基于改進YOLOv3算法的高密度人群目標(biāo)實時檢測方法研究[J]. 王思元,王俊杰.  安全與環(huán)境工程. 2019(05)
[4]基于改進的特征提取網(wǎng)絡(luò)的目標(biāo)檢測算法[J]. 喬婷,蘇寒松,劉高華,王萌.  激光與光電子學(xué)進展. 2019(23)
[5]基于YOLOv3的自動駕駛中運動目標(biāo)檢測[J]. 李云鵬,侯凌燕,王超.  計算機工程與設(shè)計. 2019(04)
[6]多尺度密集殘差網(wǎng)絡(luò)的單幅圖像超分辨率重建[J]. 應(yīng)自爐,龍祥.  中國圖象圖形學(xué)報. 2019(03)
[7]基于改進YOLOv3的快速車輛檢測方法[J]. 張富凱,楊峰,李策.  計算機工程與應(yīng)用. 2019(02)
[8]改進的自適應(yīng)高斯混合模型運動目標(biāo)檢測算法[J]. 唐洪良,黃穎,黃淮,楊成順,黃宵寧.  現(xiàn)代電子技術(shù). 2017(11)
[9]基于Fast R-CNN的車輛目標(biāo)檢測[J]. 曹詩雨,劉躍虎,李辛昭.  中國圖象圖形學(xué)報. 2017(05)
[10]運動目標(biāo)檢測方法綜述[J]. 慈文彥.  信息技術(shù). 2016(12)

博士論文
[1]基于輪廓特征的目標(biāo)識別研究[D]. 史思琦.西安電子科技大學(xué) 2012

碩士論文
[1]多尺度特征融合改進YOLOv3網(wǎng)絡(luò)的行人和車輛檢測[D]. 王國文.南京郵電大學(xué) 2019
[2]基于深度學(xué)習(xí)的動態(tài)背景下航道船舶檢測識別與跟蹤研究[D]. 吳喆.三峽大學(xué) 2019
[3]基于深度神經(jīng)網(wǎng)絡(luò)的物體識別方法研究及實現(xiàn)[D]. 郭濟民.電子科技大學(xué) 2018
[4]基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法研究[D]. 韓佳容.國防科學(xué)技術(shù)大學(xué) 2016
[5]圖像輪廓的特征描述及其單目標(biāo)識別方法研究[D]. 胡大盟.蘇州大學(xué) 2016
[6]重疊及遮擋影響下的蘋果目標(biāo)識別與定位方法研究[D]. 王丹丹.西北農(nóng)林科技大學(xué) 2016
[7]基于改進的幀差法和背景差法實現(xiàn)運動目標(biāo)檢測[D]. 何銀飛.燕山大學(xué) 2016
[8]視頻監(jiān)控中運動目標(biāo)檢測算法的研究[D]. 李建波.哈爾濱工業(yè)大學(xué) 2014
[9]基于背景減法和幀差法的運動目標(biāo)檢測算法研究[D]. 余啟明.江西理工大學(xué) 2013



本文編號：3158773