隨著智慧城市建設(shè)的發(fā)展,城市街景作為一種全新的地圖服務(wù)方式應(yīng)用在城市建設(shè)中,影像服務(wù)的主要方式為街景影像地圖瀏覽服務(wù),其中物體目標(biāo)檢測(cè)是目前計(jì)算機(jī)視覺研究的熱門方向之一。城市街景中目標(biāo)檢測(cè)已經(jīng)成為城市治理能力綜合提升的重要環(huán)節(jié)。但目前在街景影像中要實(shí)現(xiàn)良好的目標(biāo)檢測(cè)效果仍然存在一些問題,例如街景背景復(fù)雜性,影像檢索時(shí)間長(zhǎng),復(fù)雜場(chǎng)景下的行人、車輛檢測(cè)面臨著尺度變化、外觀姿態(tài)變化、目標(biāo)重復(fù)和遮擋等。針對(duì)街景影像中目標(biāo)檢測(cè)存在的問題,本文研究一種改進(jìn)Yolo V3深度學(xué)習(xí)算法,對(duì)街景影像中的行人車輛信息進(jìn)行檢測(cè),提升目標(biāo)檢測(cè)的速度與精度。本文主要開展的研究?jī)?nèi)容如下:1.對(duì)目標(biāo)檢測(cè)的發(fā)展歷程進(jìn)行了系統(tǒng)概述。從理論部分對(duì)傳統(tǒng)目標(biāo)檢測(cè)的基本流程以及框架結(jié)構(gòu)進(jìn)行闡述和對(duì)深度學(xué)習(xí)主要部分卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行介紹。并通過對(duì)深度學(xué)習(xí)中兩類主要代表性算法進(jìn)行分析,作為文章實(shí)驗(yàn)結(jié)論的對(duì)比部分。2.根據(jù)城市街景影像的行人車輛檢測(cè)的特點(diǎn),提出一種改進(jìn)算法,主要從精度與速度方面對(duì)Yolo V3算法進(jìn)行改進(jìn),精度方面引入高級(jí)語(yǔ)義嵌入（SEB）的思想,將圖像高層特征與低層特征進(jìn)行融合。速度方面引入輕量級(jí)檢測(cè)端的思想,提升圖... 

【文章來源】：北京建筑大學(xué)北京市

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線流程圖

第2章目標(biāo)檢測(cè)算法理論12圖2-2基于SVM的目標(biāo)分類檢測(cè)策略Fig.2-2TargetclassificationdetectionstrategybasedonSVM支持向量機(jī)的方法，在目標(biāo)檢測(cè)問題上彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)分類器的不足。首先,統(tǒng)計(jì)學(xué)習(xí)理論為方法準(zhǔn)備了堅(jiān)實(shí)的理論基矗其次，支持向量機(jī)方法在學(xué)習(xí)分類器的設(shè)計(jì)上更為簡(jiǎn)單,可供選擇的系統(tǒng)參數(shù)更少而且易于調(diào)整。2.Adaboost算法AdaBoost算法的全稱是自適應(yīng)boosting（AdaptiveBoosting），是一種用于二分類問題的算法，它用弱分類器的線性組合來構(gòu)造強(qiáng)分類器，迭代中進(jìn)行權(quán)重的更新。弱分類器的性能不用太好，僅比隨機(jī)猜測(cè)強(qiáng)，依靠它們可以構(gòu)造出一個(gè)非常準(zhǔn)確的強(qiáng)分類器。AdaBoost屬于Boosting提升方法的一種，可以理解為基于幾個(gè)基礎(chǔ)學(xué)習(xí)器的線性組合，Adaboost的算法公式為：)()(1xxHTttth(2-4)其中H(x)為AdaBoost模型的最后輸出，T為基學(xué)習(xí)器的個(gè)數(shù)，h(x)是每一個(gè)基學(xué)習(xí)器輸出的label，α為該分類器所擁有的權(quán)重，目的是為了增大分類錯(cuò)誤樣本的權(quán)重。

第2章目標(biāo)檢測(cè)算法理論132.3卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）是一種具有局部連接，權(quán)重共享等特性的深度前饋神經(jīng)網(wǎng)絡(luò)，最早就是用來進(jìn)行圖像信息內(nèi)容處理。近年來卷積神經(jīng)網(wǎng)絡(luò)也逐漸應(yīng)用到圖片分類、圖片檢索、目標(biāo)分割、姿態(tài)估計(jì)等領(lǐng)域。在開始深度學(xué)習(xí)的算法階段首先需要了解卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)。2.3.1卷積計(jì)算卷積層保留了輸入圖像的空間特征，也就是對(duì)于一張輸入的圖像來說，進(jìn)行空間特征提取的過程由卷積操作來執(zhí)行。卷積操作的主要過程中引入了一個(gè)新的概念：卷積核（常簡(jiǎn)稱為卷積，也稱作為濾波器filter），卷積的大小可以在實(shí)際的需要時(shí)自定義其長(zhǎng)和寬，常見的卷積核主要有1*1，3*3，5*5大小的，其通道的個(gè)數(shù)一般設(shè)置為與輸入圖像的通道數(shù)量一致，如圖所示：圖2-3卷積Fig.2-3Convolution左方塊是輸入層，尺寸為32*32的3通道圖像。右邊的小方塊是filter，尺寸為5*5，深度為3。將輸入層劃分為多個(gè)區(qū)域，用filter這個(gè)固定尺寸的助手，在輸入層做運(yùn)算，最終得到一個(gè)深度為1的特征圖。在進(jìn)行卷積操作之前，需要確定的參數(shù)主要有:（1）卷積核的尺寸大小卷積核的確定需要根據(jù)實(shí)際圖像輸入的大小進(jìn)行相應(yīng)的調(diào)整，卷積核主要使用1*1,3*3,5*5三種形式：

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLO v2的車輛實(shí)時(shí)檢測(cè)算法[J]. 卞山峰,張慶輝.  電子質(zhì)量. 2019(10)
[2]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究進(jìn)展[J]. 謝娟英,劉然.  陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(05)
[3]一種基于Faster R-CNN的行人檢測(cè)算法[J]. 夏金銘,范伊紅,柳昌志,段高輝.  電腦知識(shí)與技術(shù). 2019(24)
[4]基于YOLOv3模型的實(shí)時(shí)行人檢測(cè)改進(jìn)算法[J]. 范麗,蘇兵,王洪元.  山西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[5]基于改進(jìn)YOLO算法的密集人群場(chǎng)景下的行人檢測(cè)[J]. 祝慶發(fā),陳永生,郭玉臣.  電腦知識(shí)與技術(shù). 2019(22)
[6]交通場(chǎng)景下的行人和車輛實(shí)時(shí)檢測(cè)算法[J]. 周騰,蘭時(shí)勇.  現(xiàn)代計(jì)算機(jī). 2019(21)
[7]基于深度學(xué)習(xí)的行人和騎行者目標(biāo)檢測(cè)及跟蹤算法研究[J]. 胡超超,劉軍,張凱,高雪婷.  汽車技術(shù). 2019(07)
[8]一種Haar特征車輛檢測(cè)速度的提升方法[J]. 張濤,陳萬培,喬延婷,陳舒涵.  無線電工程. 2019(05)
[9]基于HOG與殘差網(wǎng)絡(luò)的行人檢測(cè)算法[J]. 高修祥,瞿成明.  黑龍江工業(yè)學(xué)院學(xué)報(bào)(綜合版). 2019(04)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的多目標(biāo)實(shí)時(shí)檢測(cè)[J]. 劉志成,祝永新,汪輝,田犁,封松林.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(04)

碩士論文
[1]基于深度學(xué)習(xí)算法的遮擋行人檢測(cè)[D]. 胡振寰.廣西科技大學(xué) 2019
[2]基于Mask R-CNN的街景車輛目標(biāo)的檢測(cè)方法研究與應(yīng)用[D]. 黃皓宇.華中師范大學(xué) 2019
[3]基于特征的大規(guī)模圖像檢索算法研究[D]. 楊娜娜.西安電子科技大學(xué) 2018
[4]基于TensorFlow框架的目標(biāo)檢測(cè)與細(xì)分系統(tǒng)研發(fā)[D]. 何玲.東南大學(xué) 2018
[5]基于車載視頻的道路車輛及行人檢測(cè)[D]. 唐詩(shī).電子科技大學(xué) 2018
[6]基于Faster RCNN的道路車輛檢測(cè)算法研究[D]. 劉敦強(qiáng).南京航空航天大學(xué) 2018
[7]基于深度學(xué)習(xí)的行人目標(biāo)檢測(cè)方法[D]. 劉芷含.南京理工大學(xué) 2018
[8]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究[D]. 付若楠.北京交通大學(xué) 2017
[9]基于深度學(xué)習(xí)的行人檢測(cè)[D]. 王斌.北京交通大學(xué) 2015
[10]基于背景差法的視頻車輛檢測(cè)算法研究[D]. 錢晉.上海交通大學(xué) 2007



本文編號(hào)：3598463