本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的多部位人體檢測(cè)

  更多相關(guān)文章： 多部位人體檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò) R-CNN 高斯混合模型 K近鄰

【摘要】：人體檢測(cè)的目的是識(shí)別出圖像中的人體并給出其定位信息。人體檢測(cè)技術(shù)在運(yùn)動(dòng)分析、智能監(jiān)控以及駕駛輔助系統(tǒng)等領(lǐng)域有著廣泛的應(yīng)用,是物體檢測(cè)的一個(gè)研究熱點(diǎn)。R-CNN(Regions with Convolutional Neural Network Features)是一種基于區(qū)域的物體檢測(cè)算法,該算法將選擇性搜索、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和非極大值抑制相結(jié)合,在人體檢測(cè)方面獲得了較好的檢測(cè)效果。但與眾多基于整體的檢測(cè)方法一樣,R-CNN沒(méi)有給出各個(gè)部位的位置,并在應(yīng)對(duì)人體多姿態(tài)及遮擋方面存在著不足。相較于基于整體的檢測(cè)方法,基于部位的檢測(cè)方法能夠比較有效地應(yīng)對(duì)這些問(wèn)題。本文在R-CNN基礎(chǔ)上提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多部位人體檢測(cè)算法,通過(guò)訓(xùn)練基于人體多部位的R-CNN模型并對(duì)其添加空間幾何約束,在提升人體檢測(cè)準(zhǔn)確率的同時(shí),能夠顯式的給出人體各個(gè)部位的位置。在本文算法中,首先給出基于人體多部位的R-CNN模型。手工標(biāo)注了一個(gè)給定人體多個(gè)部位的數(shù)據(jù)集后,對(duì)該模型進(jìn)行訓(xùn)練。在檢測(cè)時(shí),對(duì)待檢測(cè)圖像,獲取各個(gè)候選邊框并用卷積神經(jīng)網(wǎng)絡(luò)提取其特征,通過(guò)支持向量機(jī)給出其分類的得分,再利用非極大值抑制對(duì)重疊較多的候選邊框進(jìn)行剔除。然后,本文算法對(duì)基于人體多部位的R-CNN模型提供的候選邊框添加空間幾何約束,形成預(yù)測(cè)邊框組合,具體如下:將圖像中的每個(gè)候選邊框都假設(shè)為人體整體邊框,并從剩余邊框中尋找使得空間幾何約束得分與支持向量機(jī)得分乘積最高的部位邊框,從而得到候選邊框組合,并從中選取得分超過(guò)設(shè)定閾值的候選邊框組合作為預(yù)測(cè)邊框組合。其中,空間幾何約束包括空間位置約束、高斯混合模型約束和K近鄰約束。實(shí)驗(yàn)結(jié)果表明,本文算法在人體檢測(cè)方面取得了較好的效果,具有一定的應(yīng)用價(jià)值。
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TP183
，

本文編號(hào)：1280000