行人檢測(cè)和跟蹤是目標(biāo)檢測(cè)和跟蹤研究中一個(gè)重要的應(yīng)用方向,可以實(shí)時(shí)精確的獲取行人目標(biāo)的位置和活動(dòng)軌跡等信息,可以為行人的異常行為分析提供重要的參考信息,是自動(dòng)駕駛等計(jì)算機(jī)視覺(jué)任務(wù)的核心技術(shù)。但在現(xiàn)實(shí)的應(yīng)用場(chǎng)景中,出現(xiàn)行人在圖像或者視頻中尺寸小和行人之間遮擋的情況是不可避免的,這樣對(duì)行人檢測(cè)和跟蹤的效果會(huì)有很大的影響,很大程度上限制了行人檢測(cè)和跟蹤算法在一些實(shí)際場(chǎng)景中的應(yīng)用。針對(duì)如上問(wèn)題,本文主要從特征融合等方面進(jìn)行研究,完成以下研究工作:（1）針對(duì)特征在YOLO算法網(wǎng)絡(luò)結(jié)構(gòu)逐層遞進(jìn)的過(guò)程中被選擇性丟掉,忽略淺層信息的問(wèn)題。本文研究了 DenseNet網(wǎng)絡(luò)結(jié)構(gòu),提出借助DenseNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行深層特征和淺層特征進(jìn)行融合,使深層的網(wǎng)絡(luò)結(jié)構(gòu)可以對(duì)淺層的視覺(jué)特征進(jìn)行充分挖掘,充分使用行人在淺層特征中精確的位置信息。實(shí)驗(yàn)結(jié)果表明,在INRIA行人數(shù)據(jù)集和VOC數(shù)據(jù)集中的行人子數(shù)據(jù)集的組合數(shù)據(jù)集上表現(xiàn)出良好效果。（2）為了解決在存在行人遮擋的實(shí)際應(yīng)用場(chǎng)景中對(duì)行人特征提取不充分、不完整的問(wèn)題。本文采用頭身對(duì)準(zhǔn)模型,利用人的頭部來(lái)增強(qiáng)行人檢測(cè)能力,然后通過(guò)對(duì)齊損失函數(shù)對(duì)頭身對(duì)準(zhǔn)模型進(jìn)行優(yōu)化產(chǎn)生準(zhǔn)確的... 

【文章來(lái)源】：東北電力大學(xué)吉林省

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１?ＬｅＮｅｔ－５網(wǎng)絡(luò)模型圖??（２）?ＡｌｅｘＮｅｔ?網(wǎng)絡(luò)??由于當(dāng)年硬件計(jì)算能力以及數(shù)據(jù)量的不足，ＬｅＮｅｔ－５網(wǎng)絡(luò)并未發(fā)展開(kāi)來(lái)，直到２０１２??

?第２章相關(guān)理論與技術(shù)???￣舄焉＿自＿八Ｖｉ??ｉ?＇?Ｍ?ｉ＇?Ｋｎ?Ｓ?＼?？?－＿．?．—Ｊ?＿？??ｄ?￣￣＾?＼１１３?｛＼：＾?＼?ｎ?＿?—??＼＂＇?＼?？?＼１?ｉ?Ｔ￣?Ｎ?Ｎ?｜?ｕ??＼ｎｊ?＼?＼?＾?１９２?１２８?Ｍａｘ?Ｌ?Ｌ??＾?Ｓｔｎｄ＼?如?＾￣＿ｎｇ?■似８??ｘｌ〇ｆ４?＼?ｐｏｏｌｉｎｇ?ｐｏｏｌｉｎｇ??３?４８??圖２－２?ＡｌｅｘＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)圖［２１１??在ＬｅＮｅｔ－５的基礎(chǔ)上，其主要改進(jìn)點(diǎn)為：??（１）引入了多塊ＧＰＵ并行訓(xùn)練方法，ＡｌｅｘＮｅｔ將兩塊ＧＰＵ并行同時(shí)訓(xùn)練，加快了??網(wǎng)絡(luò)擬合速度，此做法也開(kāi)創(chuàng)了分組卷積的先河；??（２）在每一層卷積層后面加入了?ＲｅＬＵ激活函數(shù)，增加了網(wǎng)絡(luò)的稀疏表示與非線性??表達(dá)能力；??（３）加入了?ＬＲＮ層，在前兩個(gè)卷積層后分別加入了?ＬＲＮ層，對(duì)數(shù)據(jù)進(jìn)行歸一化操??作。此操作在ＡｌｅｘＮｅｔ有一定的效果提升，但提升并不高，后人使丨Ｉ］時(shí)一般將此層去掉；??（４）加入了?Ｄｒｏｐｏｕｔ層，在全連接層每一層后加入丫?Ｄｒｏｐｏｕｔ，使其在訓(xùn)練過(guò)程中隨??機(jī)丟棄一定的神經(jīng)元，減輕模型訓(xùn)練過(guò)擬合。??（３）?ＺＦＮｅｔ?網(wǎng)絡(luò)??繼ＡｌｅｘＮｅｔ之后，Ｚｅｉｌｅｒ?３人在ＡｌｅｘＮｅｔ校耶的駐礎(chǔ)上進(jìn)彳ｆ？修改，創(chuàng)新設(shè)汁的ＺＦＮｅｔ??Ｎ絡(luò)｜３９｜ｍ得ＩＬＳＶＲＣ－２０１３圖像識(shí)別競(jìng)賽第一名的成績(jī)。其結(jié)構(gòu)閣如圖２－３所示。??ｉｍａｇｅ?ｓｉｚｅ?２２４?１１〇?２６?１３?１３?Ｂ??ｆｉｌｌｅｒ?ｓｉｚｅ?７?．?３?．?３??Ｉ?ｋ＾８４?也乂８４「義６??ｓｔ

?第２章相關(guān)理論與技術(shù)???￣舄焉＿自＿八Ｖｉ??ｉ?＇?Ｍ?ｉ＇?Ｋｎ?Ｓ?＼?？?－＿．?．—Ｊ?＿？??ｄ?￣￣＾?＼１１３?｛＼：＾?＼?ｎ?＿?—??＼＂＇?＼?？?＼１?ｉ?Ｔ￣?Ｎ?Ｎ?｜?ｕ??＼ｎｊ?＼?＼?＾?１９２?１２８?Ｍａｘ?Ｌ?Ｌ??＾?Ｓｔｎｄ＼?如?＾￣＿ｎｇ?■似８??ｘｌ〇ｆ４?＼?ｐｏｏｌｉｎｇ?ｐｏｏｌｉｎｇ??３?４８??圖２－２?ＡｌｅｘＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)圖［２１１??在ＬｅＮｅｔ－５的基礎(chǔ)上，其主要改進(jìn)點(diǎn)為：??（１）引入了多塊ＧＰＵ并行訓(xùn)練方法，ＡｌｅｘＮｅｔ將兩塊ＧＰＵ并行同時(shí)訓(xùn)練，加快了??網(wǎng)絡(luò)擬合速度，此做法也開(kāi)創(chuàng)了分組卷積的先河；??（２）在每一層卷積層后面加入了?ＲｅＬＵ激活函數(shù)，增加了網(wǎng)絡(luò)的稀疏表示與非線性??表達(dá)能力；??（３）加入了?ＬＲＮ層，在前兩個(gè)卷積層后分別加入了?ＬＲＮ層，對(duì)數(shù)據(jù)進(jìn)行歸一化操??作。此操作在ＡｌｅｘＮｅｔ有一定的效果提升，但提升并不高，后人使丨Ｉ］時(shí)一般將此層去掉；??（４）加入了?Ｄｒｏｐｏｕｔ層，在全連接層每一層后加入丫?Ｄｒｏｐｏｕｔ，使其在訓(xùn)練過(guò)程中隨??機(jī)丟棄一定的神經(jīng)元，減輕模型訓(xùn)練過(guò)擬合。??（３）?ＺＦＮｅｔ?網(wǎng)絡(luò)??繼ＡｌｅｘＮｅｔ之后，Ｚｅｉｌｅｒ?３人在ＡｌｅｘＮｅｔ校耶的駐礎(chǔ)上進(jìn)彳ｆ？修改，創(chuàng)新設(shè)汁的ＺＦＮｅｔ??Ｎ絡(luò)｜３９｜ｍ得ＩＬＳＶＲＣ－２０１３圖像識(shí)別競(jìng)賽第一名的成績(jī)。其結(jié)構(gòu)閣如圖２－３所示。??ｉｍａｇｅ?ｓｉｚｅ?２２４?１１〇?２６?１３?１３?Ｂ??ｆｉｌｌｅｒ?ｓｉｚｅ?７?．?３?．?３??Ｉ?ｋ＾８４?也乂８４「義６??ｓｔ


本文編號(hào)：3005357