基于深度學(xué)習(xí)的人車檢測研究
發(fā)布時間:2021-10-20 23:32
隨著人工智能技術(shù)的發(fā)展,行人車輛檢測正在被廣泛地應(yīng)用于智慧安防、智能交通、無人駕駛等諸多領(lǐng)域,近年來在學(xué)術(shù)界與工業(yè)界得到了越來越多的關(guān)注。傳統(tǒng)的目標(biāo)檢測算法由于使用人工設(shè)計圖像特征的方式,特征表達能力不足,對多樣性的變化沒有較好的魯棒性,無法滿足實際應(yīng)用的的需求,行人及車輛的檢測仍然是一個極具挑戰(zhàn)性的問題。近年來,因卷積神經(jīng)網(wǎng)絡(luò)(CNN)在機器視覺領(lǐng)域的普遍應(yīng)用,目標(biāo)檢測的性能有了大幅度提高。與傳統(tǒng)檢測方法相比,卷積神經(jīng)網(wǎng)絡(luò)采用高效的目標(biāo)定位方式且能夠根據(jù)對象的類別自適應(yīng)地提取深層語義特征,從而達到了對目標(biāo)的實時高精度檢測。本論文以校園周邊為研究地點,針對來往行人及車輛進行實時檢測,從監(jiān)控畫面的特性入手,深入淺出地闡述了監(jiān)控畫面中人車檢測出現(xiàn)的難點和問題,通過理論分析,在實驗的基礎(chǔ)上對檢測模型進行了性能完善,使基于深度神經(jīng)網(wǎng)絡(luò)的檢測技術(shù)能夠較好地應(yīng)用到監(jiān)控畫面中的人車檢測。本論文的主要研究工作分為以下幾個部分:(1)數(shù)據(jù)集搭建。本文的數(shù)據(jù)集由兩個部分組成,一部分來自PASCAL VOC數(shù)據(jù)集,共包含20個類別,從中篩選出人車兩類圖片用于檢測模型的訓(xùn)練;另一部分來自10個視頻數(shù)據(jù)源,這些...
【文章來源】:天津科技大學(xué)天津市
【文章頁數(shù)】:66 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖1-1人工視頻監(jiān)控??Fig.?1-1?Artificial?video?monitoring??
twy?▼?mtat'??‘圈?翅…今??■丨in.]……..上………….ir……...lir?,士‘翁⑷??u?I?*:|??w^m?yf?漏^“'u邊?j?response?o#?part?fibers??i?;??l?■國??I??|????cokir?encccfeig?of?filter?v?V??response?values??cwnbmed?score?of??low?value?high?value?root?tecatkms??圖1-2DPM算法結(jié)構(gòu)示意圖[31]??Figure.?1-2?DPM?algorithm?structure?diagram[31]??1.2.2基于候選區(qū)域和CNN特征相結(jié)合的目標(biāo)檢測算法??2012?年,krizhevsky?等[25]提出基于深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network,??CNN)的AlexNet模型,在ImageNet大規(guī)模圖像識別競賽中分類任務(wù)的性能遠超基??于傳統(tǒng)視覺特征的方法,錯誤率僅為15.3%,以低于第二名(錯誤率26%)約11個??百分點的極大優(yōu)勢,贏得了比賽的冠軍,從而證明了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在目標(biāo)識別??中的有效性[38]。??而在目標(biāo)檢測方面,Girshid#9]等人提出了基于卷積神經(jīng)網(wǎng)絡(luò)與候選區(qū)域相結(jié)合??的R-CNN檢測算法。R-CNN從圖像中提取出候選區(qū)域并將其變成一個固定的尺寸,??然后使用卷積神經(jīng)網(wǎng)絡(luò)對候選區(qū)域的深度特征進行提取,并提交給SVM分類器用于??分類W。R-C_使用卷積神經(jīng)網(wǎng)絡(luò)對圖像的特征進行提取,而不是利用傳統(tǒng)的手工設(shè)??計特征,因此在檢測精度
?2深度學(xué)習(xí)理論介紹???2.3卷積神經(jīng)網(wǎng)絡(luò)??2.?3.?1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)(CNN)是近些年流行起來并且具備高效識別能力的一類深度模型,??通常由多個卷積層、池化層以及全連接層構(gòu)成,內(nèi)部結(jié)構(gòu)如圖2-1所示。??輸入層#積|化層全連接層??弊戾玲全離接層dog?(0.01)??圖2-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??FIG.?2-1?structure?diagram?of?convolutional?neural?network??模型訓(xùn)練流程:數(shù)據(jù)集中的樣本經(jīng)過預(yù)處理后進入CNN中開始訓(xùn)練,過程分為??前饋傳播與反向傳播兩個階段。樣本由輸入層通過非線性映射到達隱含層,再采取卷??積操作、池化運算提取目標(biāo)深層次特征;接著,通過定義損失函數(shù),算出預(yù)測值和標(biāo)??簽之間的誤差,采用反向傳播算法逐層反饋最后一層的誤差值;最后,使用梯度下降??法更新每層參數(shù)。其流程圖如圖2-2所示。??梯度下降,更新參數(shù)??大規(guī)。樱樱疠敚[丨隱丨輸S??I繁一金if富n篇藐金1??1?LU性映性映LU性映LU?I數(shù)??射射射??反向傳播?<?>?前饋傳播??圖2-2卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程??Figure.?2-2?training?flow?of?convolutional?neural?network??i.卷積層??在CNN中,卷積層的作用十分重要,多位于輸入層之后,目的是學(xué)習(xí)圖像深層次??特征。卷積層的內(nèi)部參數(shù)包含一些能夠自主學(xué)習(xí)的濾波器,對于輸入圖片的卷積操作??與濾波過程十分相近。濾波器在輸入圖像上通過滑動窗口的方式和圖像內(nèi)的部分區(qū)域??進行卷積,然后得到新的響應(yīng)圖。卷積層使用局部感知的特點對圖像區(qū)域
【參考文獻】:
期刊論文
[1]基于深度學(xué)習(xí)的視頻跟蹤研究進展綜述[J]. 戴鳳智,魏寶昌,歐陽育星,金霞. 計算機工程與應(yīng)用. 2019(10)
[2]用于空中紅外目標(biāo)檢測的增強單發(fā)多框檢測器方法[J]. 謝江榮,李范鳴,衛(wèi)紅,李冰,邵保泰. 光學(xué)學(xué)報. 2019(06)
[3]基于改進SSD的行人檢測方法[J]. 邢浩強,杜志岐,蘇波. 計算機工程. 2018(11)
[4]基于改進SSD的交通大場景多目標(biāo)檢測[J]. 華夏,王新晴,王東,馬昭燁,邵發(fā)明. 光學(xué)學(xué)報. 2018(12)
[5]基于改進SSD的輕量化小目標(biāo)檢測算法[J]. 吳天舒,張志佳,劉云鵬,裴文慧,陳紅葉. 紅外與激光工程. 2018(07)
[6]基于深度學(xué)習(xí)的模擬電路故障診斷算法[J]. 易靈芝,肖偉紅,于文新,王根平. 計算機工程與應(yīng)用. 2018(24)
[7]基于深度學(xué)習(xí)的目標(biāo)抗干擾跟蹤算法[J]. 閔召陽,趙文杰. 紅外技術(shù). 2018(02)
[8]基于深度學(xué)習(xí)的多視窗SSD目標(biāo)檢測方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉. 紅外與激光工程. 2018(01)
[9]深度學(xué)習(xí)研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學(xué). 2016(02)
[10]基于深度學(xué)習(xí)的監(jiān)控視頻樹葉遮擋檢測[J]. 鄔美銀,陳黎. 武漢科技大學(xué)學(xué)報. 2016(01)
碩士論文
[1]改進的SSD的目標(biāo)檢測研究[D]. 趙慶北.廣西大學(xué) 2018
[2]基于深度學(xué)習(xí)的監(jiān)控視頻目標(biāo)檢測技術(shù)研究[D]. 鎖雪萍.天津科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的實時目標(biāo)檢測[D]. 熊恒昌.湖南大學(xué) 2018
[4]基于免疫卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)研究[D]. 張廣磊.東華大學(xué) 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究[D]. 李達.湘潭大學(xué) 2016
[6]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016
[7]深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用研究[D]. 張勇.鄭州大學(xué) 2015
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測與識別研究[D]. 徐忠成.華中師范大學(xué) 2015
[9]基于視頻序列的運動目標(biāo)檢測與陰影抑制算法研究[D]. 蓋琪琳.黑龍江大學(xué) 2015
[10]基于深度學(xué)習(xí)的目標(biāo)跟蹤及異常徘徊檢測[D]. 鐘俊洪.華南理工大學(xué) 2015
本文編號:3447802
【文章來源】:天津科技大學(xué)天津市
【文章頁數(shù)】:66 頁
【學(xué)位級別】:碩士
【部分圖文】:
圖1-1人工視頻監(jiān)控??Fig.?1-1?Artificial?video?monitoring??
twy?▼?mtat'??‘圈?翅…今??■丨in.]……..上………….ir……...lir?,士‘翁⑷??u?I?*:|??w^m?yf?漏^“'u邊?j?response?o#?part?fibers??i?;??l?■國??I??|????cokir?encccfeig?of?filter?v?V??response?values??cwnbmed?score?of??low?value?high?value?root?tecatkms??圖1-2DPM算法結(jié)構(gòu)示意圖[31]??Figure.?1-2?DPM?algorithm?structure?diagram[31]??1.2.2基于候選區(qū)域和CNN特征相結(jié)合的目標(biāo)檢測算法??2012?年,krizhevsky?等[25]提出基于深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network,??CNN)的AlexNet模型,在ImageNet大規(guī)模圖像識別競賽中分類任務(wù)的性能遠超基??于傳統(tǒng)視覺特征的方法,錯誤率僅為15.3%,以低于第二名(錯誤率26%)約11個??百分點的極大優(yōu)勢,贏得了比賽的冠軍,從而證明了將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在目標(biāo)識別??中的有效性[38]。??而在目標(biāo)檢測方面,Girshid#9]等人提出了基于卷積神經(jīng)網(wǎng)絡(luò)與候選區(qū)域相結(jié)合??的R-CNN檢測算法。R-CNN從圖像中提取出候選區(qū)域并將其變成一個固定的尺寸,??然后使用卷積神經(jīng)網(wǎng)絡(luò)對候選區(qū)域的深度特征進行提取,并提交給SVM分類器用于??分類W。R-C_使用卷積神經(jīng)網(wǎng)絡(luò)對圖像的特征進行提取,而不是利用傳統(tǒng)的手工設(shè)??計特征,因此在檢測精度
?2深度學(xué)習(xí)理論介紹???2.3卷積神經(jīng)網(wǎng)絡(luò)??2.?3.?1卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)(CNN)是近些年流行起來并且具備高效識別能力的一類深度模型,??通常由多個卷積層、池化層以及全連接層構(gòu)成,內(nèi)部結(jié)構(gòu)如圖2-1所示。??輸入層#積|化層全連接層??弊戾玲全離接層dog?(0.01)??圖2-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖??FIG.?2-1?structure?diagram?of?convolutional?neural?network??模型訓(xùn)練流程:數(shù)據(jù)集中的樣本經(jīng)過預(yù)處理后進入CNN中開始訓(xùn)練,過程分為??前饋傳播與反向傳播兩個階段。樣本由輸入層通過非線性映射到達隱含層,再采取卷??積操作、池化運算提取目標(biāo)深層次特征;接著,通過定義損失函數(shù),算出預(yù)測值和標(biāo)??簽之間的誤差,采用反向傳播算法逐層反饋最后一層的誤差值;最后,使用梯度下降??法更新每層參數(shù)。其流程圖如圖2-2所示。??梯度下降,更新參數(shù)??大規(guī)。樱樱疠敚[丨隱丨輸S??I繁一金if富n篇藐金1??1?LU性映性映LU性映LU?I數(shù)??射射射??反向傳播?<?>?前饋傳播??圖2-2卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程??Figure.?2-2?training?flow?of?convolutional?neural?network??i.卷積層??在CNN中,卷積層的作用十分重要,多位于輸入層之后,目的是學(xué)習(xí)圖像深層次??特征。卷積層的內(nèi)部參數(shù)包含一些能夠自主學(xué)習(xí)的濾波器,對于輸入圖片的卷積操作??與濾波過程十分相近。濾波器在輸入圖像上通過滑動窗口的方式和圖像內(nèi)的部分區(qū)域??進行卷積,然后得到新的響應(yīng)圖。卷積層使用局部感知的特點對圖像區(qū)域
【參考文獻】:
期刊論文
[1]基于深度學(xué)習(xí)的視頻跟蹤研究進展綜述[J]. 戴鳳智,魏寶昌,歐陽育星,金霞. 計算機工程與應(yīng)用. 2019(10)
[2]用于空中紅外目標(biāo)檢測的增強單發(fā)多框檢測器方法[J]. 謝江榮,李范鳴,衛(wèi)紅,李冰,邵保泰. 光學(xué)學(xué)報. 2019(06)
[3]基于改進SSD的行人檢測方法[J]. 邢浩強,杜志岐,蘇波. 計算機工程. 2018(11)
[4]基于改進SSD的交通大場景多目標(biāo)檢測[J]. 華夏,王新晴,王東,馬昭燁,邵發(fā)明. 光學(xué)學(xué)報. 2018(12)
[5]基于改進SSD的輕量化小目標(biāo)檢測算法[J]. 吳天舒,張志佳,劉云鵬,裴文慧,陳紅葉. 紅外與激光工程. 2018(07)
[6]基于深度學(xué)習(xí)的模擬電路故障診斷算法[J]. 易靈芝,肖偉紅,于文新,王根平. 計算機工程與應(yīng)用. 2018(24)
[7]基于深度學(xué)習(xí)的目標(biāo)抗干擾跟蹤算法[J]. 閔召陽,趙文杰. 紅外技術(shù). 2018(02)
[8]基于深度學(xué)習(xí)的多視窗SSD目標(biāo)檢測方法[J]. 唐聰,凌永順,鄭科棟,楊星,鄭超,楊華,金偉. 紅外與激光工程. 2018(01)
[9]深度學(xué)習(xí)研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學(xué). 2016(02)
[10]基于深度學(xué)習(xí)的監(jiān)控視頻樹葉遮擋檢測[J]. 鄔美銀,陳黎. 武漢科技大學(xué)學(xué)報. 2016(01)
碩士論文
[1]改進的SSD的目標(biāo)檢測研究[D]. 趙慶北.廣西大學(xué) 2018
[2]基于深度學(xué)習(xí)的監(jiān)控視頻目標(biāo)檢測技術(shù)研究[D]. 鎖雪萍.天津科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的實時目標(biāo)檢測[D]. 熊恒昌.湖南大學(xué) 2018
[4]基于免疫卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)研究[D]. 張廣磊.東華大學(xué) 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究[D]. 李達.湘潭大學(xué) 2016
[6]基于深度學(xué)習(xí)的車輛檢測方法研究[D]. 張文桂.華南理工大學(xué) 2016
[7]深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用研究[D]. 張勇.鄭州大學(xué) 2015
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測與識別研究[D]. 徐忠成.華中師范大學(xué) 2015
[9]基于視頻序列的運動目標(biāo)檢測與陰影抑制算法研究[D]. 蓋琪琳.黑龍江大學(xué) 2015
[10]基于深度學(xué)習(xí)的目標(biāo)跟蹤及異常徘徊檢測[D]. 鐘俊洪.華南理工大學(xué) 2015
本文編號:3447802
本文鏈接:http://www.sikaile.net/kejilunwen/daoluqiaoliang/3447802.html
教材專著