計(jì)算機(jī)視覺（Computer Vision）是專門對(duì)計(jì)算機(jī)圖形學(xué)進(jìn)行研究的重要領(lǐng)域。而行人檢測(cè)是目前計(jì)算機(jī)視覺研究的熱點(diǎn)。在社會(huì)公共安全、商業(yè)活動(dòng)分析、軍事國(guó)防安全和智慧交通出行等領(lǐng)域擁有巨大的經(jīng)濟(jì)價(jià)值和潛力。本文在行人檢測(cè)方面,以YOLO-v3算法為基礎(chǔ),對(duì)該算法的檢測(cè)原理和網(wǎng)絡(luò)訓(xùn)練過程進(jìn)行詳細(xì)研究,并提出基于自適應(yīng)空間特征金字塔融合的模型優(yōu)化方法,加入一種可提升感受野的RFB模塊,有效融合深層次特征,提升行人檢測(cè)模型識(shí)別率。然后整合公開數(shù)據(jù)集voc、coco、sysu和prw的行人圖片,構(gòu)建行人數(shù)據(jù)集,并使用pytorch框架完成數(shù)據(jù)訓(xùn)練,最終模型測(cè)試集mAP達(dá)到78.96,通過網(wǎng)絡(luò)選取行人圖片測(cè)試效果良好,證明模型泛化能力優(yōu)良。在行人多目標(biāo)跟蹤方面,采用的多目標(biāo)跟蹤的Deep sort算法,分析Deep sort的具體算法原理,并提出一些優(yōu)化的策略,最后基于前面得到的YOLO-v3優(yōu)化模型,把檢測(cè)和跟蹤兩者結(jié)合,完成一體化設(shè)計(jì),并在MOT16數(shù)據(jù)集和實(shí)際行車記錄儀上測(cè)試,性能良好,達(dá)到精度高、實(shí)時(shí)性滿足需求的目的。根據(jù)本文提出的基于YOLOv3行人檢測(cè)跟蹤優(yōu)化算法,做出了基于嵌入... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

背景建模算法Fig1-3Backgroundmodelingalgorithm

中北大學(xué)學(xué)位論文6（2）可變形部件分離的模型匹配優(yōu)化；（3）分類器采用SVM的變體，識(shí)別能力更強(qiáng)的latent-SVM，簡(jiǎn)化訓(xùn)練流程并提高效率。前面兩種方法，傳統(tǒng)計(jì)算機(jī)視覺的背景建模和統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法，在行人檢測(cè)領(lǐng)域奠定了研究基礎(chǔ)，但仍然局限性較強(qiáng)，在實(shí)際場(chǎng)景中條件復(fù)雜，并不適用。因此隨著大數(shù)據(jù)和5G的發(fā)展，硬件的計(jì)算能力也大幅度提高，日積月累的數(shù)據(jù)量開始作為深度學(xué)習(xí)技術(shù)發(fā)展的營(yíng)養(yǎng)土，滋潤(rùn)其茁壯成長(zhǎng)，在大規(guī)模的數(shù)據(jù)訓(xùn)練中取得卓越的表現(xiàn)性能。對(duì)于計(jì)算機(jī)視覺方向的常見分類檢測(cè)分割任務(wù)，深度學(xué)習(xí)可以很簡(jiǎn)單的提取高層次的圖像特征，在公開的挑戰(zhàn)賽和數(shù)據(jù)集中取得超越人類的成績(jī)，出現(xiàn)了大量的落地應(yīng)用，其中人臉檢測(cè)，手機(jī)支付應(yīng)用范圍最廣。因此研究者也將其應(yīng)用于行人車輛等檢測(cè)任務(wù)中，也取得一定的進(jìn)步。比較傳統(tǒng)算法，深度學(xué)習(xí)在特征提取方面具有明顯的優(yōu)勢(shì)，具體提取特征過程如所示：基于深度卷積神經(jīng)網(wǎng)絡(luò)[37]的目標(biāo)檢測(cè)算法由最簡(jiǎn)單的CNN逐步發(fā)展為R-CNN、Faster-RCNN、SSD、FPN、YOLO[38]等更深層的網(wǎng)絡(luò)，這些算法均被應(yīng)用到行人檢測(cè)中，并且和之前的兩種方法有著明顯的提升，在下一章將具體闡述算法原理。圖1-5CNN特征提取Fig1-5CNNfeatureextraction1.2.2目標(biāo)跟蹤國(guó)內(nèi)外現(xiàn)狀目標(biāo)跟蹤，準(zhǔn)確的說視覺目標(biāo)跟蹤（VisualObjectTracking），是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要問題。盡管近年來受到了廣泛研究，目標(biāo)跟蹤問題由于本身的高難度、高質(zhì)量數(shù)據(jù)的稀少，研究熱度比目標(biāo)檢測(cè)、語義分割等基本視覺任務(wù)略低一些。深度學(xué)習(xí)的發(fā)展和計(jì)算機(jī)算力的增強(qiáng)帶來視覺算法性能的突飛猛進(jìn)，而目標(biāo)跟蹤領(lǐng)域中基于深度神經(jīng)網(wǎng)絡(luò)的方法只在近幾年才初見端倪，可謂上升空間巨大。但在實(shí)際應(yīng)用，其中需要考慮

中北大學(xué)學(xué)位論文13形的比例加權(quán)結(jié)果在圓形中求和，最終得到正確的輸出結(jié)果。初始得到alpha，需要對(duì)向量矩陣D迭代更新，目的是使識(shí)別正確的樣本參數(shù)值降低而識(shí)別錯(cuò)誤的樣本參數(shù)升高。假如數(shù)據(jù)識(shí)別正確，可將數(shù)據(jù)的參數(shù)更改為：()=()()(式2-2)如果某些數(shù)據(jù)被識(shí)別錯(cuò)誤，那么該數(shù)據(jù)的參數(shù)需變?yōu)椋?)=()()(式2-3)計(jì)算得到D，AdaBoost算法會(huì)進(jìn)行新一輪更新迭代。這種反復(fù)迭代更新的過程直到訓(xùn)練準(zhǔn)確率接近100或者弱分類器的指標(biāo)滿足用戶的需求為止。②支持向量機(jī)（supportvectormachines,SVM）是一種二分類模型，它是一種通過在特征空間上的數(shù)據(jù)間隔的線性分類器，數(shù)據(jù)間隔的距離間隔使他不同于其他分類器，其中還包含核方法，通過該方法被稱為真正意義上的非線性分類器圖2-4SVM算法原理Fig2-4SVMalgorithmSVM的的優(yōu)化計(jì)策就是距離最大化，形象的比喻可為一個(gè)凸二次規(guī)劃的求解問題，也相當(dāng)于求解損失函數(shù)的最值問題（最小值）。SVM學(xué)習(xí)的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。如圖2-4所示，wx+b=0即為分離超平面，對(duì)于常見的線性可分的數(shù)據(jù)集，符合要求的超平面有無窮多個(gè)（稱為感知機(jī)），但是幾何距離最大的分離超平面卻是獨(dú)一無二的。在深度學(xué)習(xí)盛行之前，SVM是學(xué)術(shù)界使用最多的算法，有著自己的優(yōu)缺點(diǎn)，即便是很火的神經(jīng)網(wǎng)絡(luò)，也會(huì)存在一些問題：需輸入的參數(shù)過多，輸出結(jié)果難以解釋，不能觀


本文編號(hào)：3070212