【摘要】：隨著互聯(lián)網(wǎng)科技的迅猛發(fā)展,超過85%的信息都以像素的形式存在于互聯(lián)網(wǎng)上。計算機視覺技術(shù)在人類生活中扮演越來越重要的角色,計算機視覺的研究也越來越火熱。目標檢測作為計算機視覺領(lǐng)域的基本算法,廣泛應(yīng)用于目標跟蹤、視頻監(jiān)控、信息安全、自動駕駛、圖像檢索、醫(yī)學(xué)影像分析、網(wǎng)絡(luò)數(shù)據(jù)挖掘、無人機導(dǎo)航,遙感圖像分析、國防系統(tǒng)等領(lǐng)域。目前市面上較為常用的圖像目標識別算法需要對樣本圖片進行人為的圖像預(yù)處理和特征提取,算法的處理結(jié)果容易受圖片的背景、光線、尺寸等噪聲影響。本文以基于深度學(xué)習(xí)的目標檢測算法為主要研究內(nèi)容,將改進后的Faster R-CNN算法運用于建筑工地的監(jiān)控視頻圖像,用于檢測工人是否佩戴安全帽,有助于加強工地安全生產(chǎn)的監(jiān)管力度。本文的主要內(nèi)容如下:1.詳細介紹卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型設(shè)計流程。從單個神經(jīng)元的建模理念到常規(guī)網(wǎng)絡(luò)優(yōu)化設(shè)計,最后到CNN的構(gòu)建,逐步闡明適用于圖像特征提取的CNN模型的工作原理。2.介紹了目標檢測的原理和檢測過程中相關(guān)細節(jié)處理,對目前流行的目標檢測深度網(wǎng)絡(luò)算法進行比較說明。分析了從R-CNN到Faster R-CNN的三種基于候選區(qū)域的系列方法以及YOLO、SSD兩種基于回歸的系列方法。最后使用VOC公開數(shù)據(jù)集對Faster R-CNN進行訓(xùn)練測試,得出了算法在目標分類中的平均準確率、圖片處理效率和圖片處理效果等實驗結(jié)果。3.改進實驗中的算法訓(xùn)練過程,在訓(xùn)練集中加入負樣本挖掘的策略,以此提高實驗算法的檢測精度�；诟倪M算法對實驗樣本進行模型訓(xùn)練、測試與評估。利用實驗測試集對YOLO、SSD、Faster RCNN以及改進后的模型進行測試,根據(jù)每個算法在測試樣本中的表現(xiàn)對改進后的算法性能進行評估,并將改進后算法成功地應(yīng)用于工地安全帽檢測項目。以下是本文的創(chuàng)新點所在:(1)在建筑工地的安全帽檢測項目中,使用深度神經(jīng)網(wǎng)絡(luò)算法取代傳統(tǒng)的圖像特征處理和分類方法,簡化了繁瑣的圖片預(yù)處理過程并提升了系統(tǒng)的泛化能力。(2)改進Faster R-CNN算法的訓(xùn)練過程,針對實驗數(shù)據(jù)集,在訓(xùn)練過程中,設(shè)計加入難負樣本挖掘的訓(xùn)練策略,提高了算法的檢測精度。(3)應(yīng)用于安全帽項目的檢測模型能同時識別安全帽和工人兩個目標,從而判斷檢測目標之間的關(guān)系。
【圖文】：

個突觸連接起來，然后通過相應(yīng)軸突產(chǎn)生輸出信號，信號經(jīng)過突[14]。我們將生物學(xué)運用于工程學(xué)，得到神經(jīng)網(wǎng)幟。與結(jié)構(gòu)下一個神經(jīng)是否將被激活取決于通過樹突傳定的閾值，則神經(jīng)元將會被激活，進而向軸，假設(shè)一神經(jīng)元軸突產(chǎn)生信號0x ，突觸的強突進行乘法交互即0 0w x。神經(jīng)元計算建模時過學(xué)習(xí)得到，而權(quán)重的正負值則表示該單元奮還是使其抑制。圖 2.1 為神經(jīng)元單元數(shù)學(xué)模

用于建筑工地安全生產(chǎn)監(jiān)控的目標檢測算法研究moid 函數(shù)的數(shù)學(xué)表達式為 ( ) 1/(1 )x x e ，它將輸入的實數(shù)值壓縮，將無限大的負數(shù)變?yōu)?0，將無限大的正數(shù)變?yōu)?1。Sigmoid 函數(shù)的優(yōu)釋了在不同頻率下單元的激活狀態(tài)，從開始的 0 值單元完全不激活，到率處神經(jīng)元完全飽和的激活。但由于單元的激活在接近 0 或 1 時飽和，得反向傳播時與該梯度相乘的結(jié)果也趨于零，最終導(dǎo)致網(wǎng)絡(luò)無法學(xué)習(xí)該函數(shù)的輸出中心不為 0，也會影響反向傳播時權(quán)重的更新出現(xiàn)Z 字型播結(jié)果造成一定影響。 Tanh 函數(shù)的表達式tanh( x ) 2 (2 x) 1中可看出，，tanh 函數(shù)其實就簡單放大，但不同于 Sigmoid 函數(shù)將輸入值壓縮至[0,1]，tanh 函數(shù)將輸至[-1,1]，所以 tanh 函數(shù)繼承的 Sigmoid 函數(shù)的優(yōu)點，同時使輸出的中存在單元的飽和問題，圖 2.2 分別為 Sigmoid 函數(shù)與 tanh 函數(shù)的曲線
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TU714

【參考文獻】

相關(guān)期刊論文 前2條

1 李永紅;盧昭金;劉哲;石海杰;;基于直線和SIFT融合特征的物體識別研究[J];國外電子測量技術(shù);2009年06期

2 張蕾;普杰信;范慶輝;;基于遺傳算法和BP網(wǎng)絡(luò)的物體識別方法[J];計算機工程與設(shè)計;2008年07期

相關(guān)博士學(xué)位論文 前1條

1 李濤;基于上下文的目標檢測研究[D];電子科技大學(xué);2016年

本文編號：2687497