目標(biāo)檢測技術(shù)常用來對(duì)圖像中的目標(biāo)進(jìn)行定位,這種技術(shù)在工業(yè)界有著巨大應(yīng)用價(jià)值,已經(jīng)廣泛應(yīng)用在智能監(jiān)控、人機(jī)交互、國家安全防護(hù)等領(lǐng)域。為了滿足人類的各種需要,目標(biāo)檢測算法也在不斷改進(jìn)。傳統(tǒng)目標(biāo)檢測方法常常人工構(gòu)建目標(biāo)特征,利用滑動(dòng)窗口的方法獲得感興趣區(qū)域,通過人工選擇分類器建立分類模型進(jìn)行區(qū)域分類。模型在整個(gè)分類過程中存在兩個(gè)方面的主要問題:一方面是遍歷圖像獲得感興趣區(qū)域的過程過于耗時(shí),同時(shí)產(chǎn)生大量多余的無關(guān)待檢區(qū)域,這對(duì)模型進(jìn)行區(qū)域分類帶來了大量的計(jì)算量;另一方面是手工構(gòu)建的特征魯棒性較差;而以卷積網(wǎng)絡(luò)為代表的深層神經(jīng)網(wǎng)絡(luò)以其強(qiáng)大的表征能力在目標(biāo)檢測中取得了驚人的成就,基于深度學(xué)習(xí)的目標(biāo)檢測得到關(guān)注并逐漸成為研究的熱點(diǎn)。深度學(xué)習(xí)目標(biāo)檢測算法可以分為二階段系列和一階段系列,二階段算法的準(zhǔn)確率高但檢測過于耗時(shí),而一階段算法在保持一定準(zhǔn)確率的同時(shí)提高了檢測速度,滿足實(shí)時(shí)檢測的需求,更適合實(shí)際應(yīng)用。在深度學(xué)習(xí)中YOLO系列是一階段目標(biāo)檢測算法中具有代表性的算法之一,采用簡單的卷積模塊就能較好的提取目標(biāo)特征,而且還利用上下采樣、跳躍層連接等操作得到多尺度特征圖并進(jìn)行多尺度預(yù)測。本文以YOLO v3... 

【文章來源】：淮北師范大學(xué)安徽省

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

二值

淮北師范大學(xué)2020屆碩士學(xué)位論文8條件比較苛刻，對(duì)于分析各種環(huán)境下實(shí)驗(yàn)鼠的環(huán)境反應(yīng)的實(shí)驗(yàn)很難廣泛使用[34]，所以我們有必要重新設(shè)計(jì)一種適用范圍更廣的、新的檢測方法。2.2基于梯度特征的實(shí)驗(yàn)鼠檢測方法的實(shí)現(xiàn)2.2.1提出基于梯度特征的實(shí)驗(yàn)鼠檢測方法針對(duì)閾值分割方法中閾值易受光照、噪聲的影響而變化的問題，本節(jié)將在由觀察所得到實(shí)驗(yàn)鼠特征分布的基礎(chǔ)上設(shè)計(jì)一種對(duì)光照變化不敏感的特征表達(dá)模型。首先通過如圖2-3所示的實(shí)驗(yàn)鼠和試驗(yàn)箱觀察其特征發(fā)現(xiàn)：柵格存在著固定（a）實(shí)驗(yàn)鼠原圖1（b）二值化圖1（c）實(shí)驗(yàn)鼠1的輪廓信息（d）實(shí)驗(yàn)鼠原圖2（e）二值化圖2（f）實(shí)驗(yàn)鼠2的輪廓信息圖2-2閾值分割方法檢測示例圖2-3實(shí)驗(yàn)鼠圖像

淮北師范大學(xué)2020屆碩士學(xué)位論文8條件比較苛刻，對(duì)于分析各種環(huán)境下實(shí)驗(yàn)鼠的環(huán)境反應(yīng)的實(shí)驗(yàn)很難廣泛使用[34]，所以我們有必要重新設(shè)計(jì)一種適用范圍更廣的、新的檢測方法。2.2基于梯度特征的實(shí)驗(yàn)鼠檢測方法的實(shí)現(xiàn)2.2.1提出基于梯度特征的實(shí)驗(yàn)鼠檢測方法針對(duì)閾值分割方法中閾值易受光照、噪聲的影響而變化的問題，本節(jié)將在由觀察所得到實(shí)驗(yàn)鼠特征分布的基礎(chǔ)上設(shè)計(jì)一種對(duì)光照變化不敏感的特征表達(dá)模型。首先通過如圖2-3所示的實(shí)驗(yàn)鼠和試驗(yàn)箱觀察其特征發(fā)現(xiàn)：柵格存在著固定（a）實(shí)驗(yàn)鼠原圖1（b）二值化圖1（c）實(shí)驗(yàn)鼠1的輪廓信息（d）實(shí)驗(yàn)鼠原圖2（e）二值化圖2（f）實(shí)驗(yàn)鼠2的輪廓信息圖2-2閾值分割方法檢測示例圖2-3實(shí)驗(yàn)鼠圖像

【參考文獻(xiàn)】：
期刊論文
[1]基于超像素分割和混合權(quán)值A(chǔ)daBoost運(yùn)動(dòng)檢測算法[J]. 李忠海,楊超,梁書浩.  電光與控制. 2018(02)
[2]圖像場景識(shí)別中深度學(xué)習(xí)方法綜述[J]. 宋杰,孟朝暉.  計(jì)算機(jī)測量與控制. 2018(01)
[3]改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)在行人檢測中的應(yīng)用[J]. 謝林江,季桂樹,彭清,羅恩韜.  計(jì)算機(jī)科學(xué)與探索. 2018(05)
[4]深度網(wǎng)絡(luò)結(jié)構(gòu)在行人檢測任務(wù)中的性能對(duì)比[J]. 常玲玲,馬丙鵬,常虹,丁志義.  計(jì)算機(jī)仿真. 2017(07)
[5]復(fù)雜環(huán)境背景下車輛目標(biāo)識(shí)別研究綜述[J]. 謝曉竹,何成.  兵器裝備工程學(xué)報(bào). 2017(06)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[7]基于統(tǒng)計(jì)分類的行人檢測方法綜述[J]. 李威,王鵬杰,宋海玉.  系統(tǒng)仿真學(xué)報(bào). 2016(09)
[8]基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J]. 曲景影,孫顯,高鑫.  國外電子測量技術(shù). 2016(08)
[9]最優(yōu)聚類個(gè)數(shù)和初始聚類中心點(diǎn)選取算法研究[J]. 張素潔,趙懷慈.  計(jì)算機(jī)應(yīng)用研究. 2017(06)
[10]基于改進(jìn)視覺背景提取的運(yùn)動(dòng)目標(biāo)檢測算法[J]. 莫邵文,鄧新蒲,王帥,江丹,祝周鵬.  光學(xué)學(xué)報(bào). 2016(06)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類模型的設(shè)計(jì)與實(shí)現(xiàn)[D]. 遲冰瑤.大連海事大學(xué) 2017
[2]基于哈希的多目標(biāo)跟蹤算法的研究[D]. 郭儀權(quán).安徽大學(xué) 2017
[3]基于多模態(tài)輸入的手勢(shì)識(shí)別算法研究[D]. 王鳳艷.中國科學(xué)技術(shù)大學(xué) 2017
[4]機(jī)器學(xué)習(xí)在推薦系統(tǒng)中的應(yīng)用[D]. 邴欣.山東大學(xué) 2016
[5]基于特征融合的遙感圖像飛機(jī)目標(biāo)識(shí)別研究[D]. 付俊.南昌航空大學(xué) 2014
[6]深度學(xué)習(xí)在圖像識(shí)別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014
[7]基于自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測[D]. 艾凱文.廣西大學(xué) 2012



本文編號(hào)：3345006