隨著地鐵在各大中型城市的發(fā)展,它逐漸成為了城市運(yùn)輸?shù)闹袌?jiān)力量。而這對(duì)城市的交通管理,地鐵調(diào)度,運(yùn)輸資源的分配,以及城市的公共安全等提出了更高的要求,在此背景下,地鐵的客流檢測(cè)和統(tǒng)計(jì)就成為了提供數(shù)據(jù)支撐的關(guān)鍵技術(shù)。而行人檢測(cè)又是客流檢測(cè)等的基礎(chǔ)關(guān)鍵性技術(shù)。隨著計(jì)算力的發(fā)展,目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法已經(jīng)較為成熟,當(dāng)下流行的目標(biāo)檢測(cè)網(wǎng)絡(luò)為了兼顧更多種類的場(chǎng)景和目標(biāo),網(wǎng)絡(luò)層數(shù)普遍較深。而本文中的行人檢測(cè)屬于單目標(biāo)檢測(cè),所用到的頭肩樣本特征也較為簡(jiǎn)單,此時(shí)深層網(wǎng)絡(luò)則并不完全適用,會(huì)出現(xiàn)較大的計(jì)算冗余,導(dǎo)致在檢測(cè)方面檢測(cè)速度較慢。且在地鐵行人檢測(cè)中其單個(gè)目標(biāo)在畫面中占比較小,場(chǎng)景中行人密集場(chǎng)景較多,存在行人遮擋現(xiàn)象,這也會(huì)導(dǎo)致普通的網(wǎng)絡(luò)框架表現(xiàn)力下降,出現(xiàn)漏檢問(wèn)題。經(jīng)過(guò)實(shí)驗(yàn)表明,經(jīng)過(guò)針對(duì)性改進(jìn)的端到端深度學(xué)習(xí)框架在保證檢測(cè)精度的情況下,能夠有效提升檢測(cè)速度。本文研究了地鐵環(huán)境下基于端到端深度學(xué)習(xí)框架的行人檢測(cè)算法。主要針對(duì)目前行人檢測(cè)中由于網(wǎng)絡(luò)冗余造成的檢測(cè)速度較慢的問(wèn)題,和由遮擋造成的漏檢情況,對(duì)已有的典型端到端深度學(xué)習(xí)框架YOLOv3進(jìn)行精簡(jiǎn)優(yōu)化。具體工作的內(nèi)容如下:1.針對(duì)本任務(wù)中的背... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

第二章基于端到端深度學(xué)習(xí)框架的目標(biāo)檢測(cè)理論基礎(chǔ)11圖2-1FasterR-CNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖圖2-2R-FCN網(wǎng)絡(luò)結(jié)構(gòu)示意圖2.端到端目標(biāo)檢測(cè)框架端到端目標(biāo)檢測(cè)算法無(wú)需提前生成候選區(qū)域，而是通過(guò)大小和長(zhǎng)寬比不同的錨框，對(duì)特征提取部分的卷積神經(jīng)網(wǎng)絡(luò)中產(chǎn)生的特征圖上的每個(gè)區(qū)域進(jìn)行密集采樣。這樣就可以省略感興趣區(qū)域選擇階段，直接生成預(yù)測(cè)框的位置和分類情況。目前應(yīng)用較多的網(wǎng)絡(luò)為YOLO網(wǎng)絡(luò)系列和SSD網(wǎng)絡(luò)系列，SSD網(wǎng)絡(luò)經(jīng)典結(jié)構(gòu)如圖2-3所示。YOLOv3目標(biāo)檢測(cè)網(wǎng)絡(luò)是目前在工業(yè)界表現(xiàn)最為優(yōu)秀且最穩(wěn)定的網(wǎng)絡(luò)框架，本文主要對(duì)YOLOv3網(wǎng)絡(luò)進(jìn)行改進(jìn)和優(yōu)化，下文將主要介紹YOLO系列的算法。

第二章基于端到端深度學(xué)習(xí)框架的目標(biāo)檢測(cè)理論基礎(chǔ)13圖2-4YOLOv1的檢測(cè)流程示意圖置信度的計(jì)算公式如下truthpredConfidence=Pr(Object)IOU(2-1)其中，Pr(Object)代表是否含有目標(biāo)，不含為0，包含目標(biāo)則為1，而IOU表示真實(shí)框與預(yù)測(cè)框的面積的交并比，計(jì)算示意圖如圖2-5所示。計(jì)算方式如下：()()truthpredareaABIOUareaAB=(2-2)圖2-5IUO計(jì)算示意圖在每個(gè)單元的預(yù)測(cè)框的預(yù)測(cè)中，包含預(yù)測(cè)框中心點(diǎn)的坐標(biāo)(x,y)，預(yù)測(cè)框的寬和高(w,h)以及它的置信度(confidence)。除此之外，每個(gè)單元還需要預(yù)測(cè)C類目標(biāo)的類別概率，即Pr(Class|Objec)，每個(gè)單元最后只生成一個(gè)預(yù)測(cè)框的類別概率。而在檢測(cè)過(guò)程中，每個(gè)柵格檢測(cè)結(jié)果的計(jì)算公式如下：

【參考文獻(xiàn)】：
碩士論文
[1]基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)技術(shù)研究[D]. 王震.天津理工大學(xué) 2017
[2]監(jiān)控場(chǎng)景下人數(shù)統(tǒng)計(jì)關(guān)鍵技術(shù)研究[D]. 李佩.重慶郵電大學(xué) 2016



本文編號(hào)：3115467