作為目標(biāo)檢測(cè)領(lǐng)域的特定課題,行人檢測(cè)主要研究如何快速準(zhǔn)確地從圖像或者視頻中檢測(cè)出行人目標(biāo),并得到其精確坐標(biāo)。行人檢測(cè)的應(yīng)用廣泛,在無(wú)人駕駛、智能監(jiān)控、客流量統(tǒng)計(jì)、機(jī)器人視覺(jué)以及人體行為分析等領(lǐng)域都發(fā)揮著重要作用。但由于行人目標(biāo)形狀姿態(tài)多樣,服飾裝扮各異,在不同視角和光照條件下所表現(xiàn)出來(lái)的形態(tài)不盡相同,并且還可能存在遮擋等情況,致使行人檢測(cè)任務(wù)極具挑戰(zhàn)性。目前,相較于其他算法,使用卷積神經(jīng)網(wǎng)絡(luò)搭建的行人檢測(cè)系統(tǒng)通常能夠取得更高的檢測(cè)精度,但對(duì)于復(fù)雜環(huán)境中的小尺寸行人目標(biāo),這類(lèi)系統(tǒng)在檢測(cè)精度上仍然有待提高。為此,本文在基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)系統(tǒng)基礎(chǔ)之上進(jìn)行優(yōu)化,提出了一種改進(jìn)型行人檢測(cè)系統(tǒng)。該系統(tǒng)優(yōu)化了數(shù)據(jù)集的預(yù)處理過(guò)程,并借助一種改進(jìn)型反饋損失計(jì)算方法優(yōu)化了檢測(cè)系統(tǒng)的分類(lèi)網(wǎng)絡(luò)。此外,針對(duì)小尺寸行人目標(biāo)檢測(cè)精度低的問(wèn)題,在系統(tǒng)主體模型之外設(shè)計(jì)了兩種復(fù)查子系統(tǒng),一種使用HOG特征結(jié)合自適應(yīng)增強(qiáng)學(xué)習(xí)算法,另一種用到了SSD目標(biāo)檢測(cè)框架。檢測(cè)時(shí),通過(guò)主系統(tǒng)獲得大尺寸行人目標(biāo)的精確坐標(biāo)和小尺寸目標(biāo)所在區(qū)域的建議,然后復(fù)查子系統(tǒng)實(shí)現(xiàn)對(duì)小尺寸行人目標(biāo)的精確定位。改進(jìn)后的行人檢測(cè)系統(tǒng)旨在改善大尺寸行... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

DPM算法生成的人體模型

9圖 2.2 DPM 算法的檢測(cè)原理圖 0 00 0 0 0, 0 0 , 0 01score , , , + 2 ,nl i l iix y l R x y D x y v b 0 0,x y 表示主模型的得分， 0 0x ,y 為主模型左上角在特征圖i v表示第 i 個(gè)子模型在特征圖中的坐標(biāo)，b 是各子模型間對(duì)齊分 i ,lD 可由公式(2.6)得到。 , ,,, max , ,i l i l i d x ydx dyD x y R x dx y dy d d d

度可分解卷積網(wǎng)絡(luò)與傳統(tǒng)卷積操作的計(jì)算量的比值可以通過(guò)公式(3.33)計(jì)算得2K K N N I I O M M1 1K K I O M M O K (3.3中K 為卷積核的大小， N 為輸入矩陣的維度，I 為輸入特征圖的通道數(shù)，M 出矩陣的維度，O為輸出特征圖的通道數(shù)。使用深度可分解卷積網(wǎng)絡(luò)結(jié)構(gòu)搭建征提取網(wǎng)絡(luò)的參數(shù)配置請(qǐng)見(jiàn) 5.2.3 節(jié)。3.4 仿真實(shí)驗(yàn)與結(jié)果分析.4.1 數(shù)據(jù)集本章使用 Dogs vs. Cats 數(shù)據(jù)集和 Cifar-10 數(shù)據(jù)集驗(yàn)證改進(jìn)算法的有效性。①Dogs vs. Cats 數(shù)據(jù)集

【參考文獻(xiàn)】：
期刊論文
[1]行人檢測(cè)技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國(guó)榕,吳云東.  電子學(xué)報(bào). 2012(04)



本文編號(hào)：2984237