近年來,在城鎮(zhèn)化進(jìn)程不斷加快的同時(shí),土地資源變得緊缺。經(jīng)濟(jì)發(fā)展的同時(shí),違法占地、違法建筑的現(xiàn)象也逐年遞增。針對(duì)土地違法發(fā)現(xiàn)難的現(xiàn)實(shí)情況,本文致力于巡查車移動(dòng)過程中可變形施工機(jī)械的實(shí)時(shí)檢測(cè)技術(shù)研究。主要研究?jī)?nèi)容如下:（1）提出了一種基于HOG特征的深度學(xué)習(xí)圖像數(shù)據(jù)集快速標(biāo)注算法�；诟咚够旌夏Ｐ瞳@得待標(biāo)注目標(biāo)的位置信息,基于Mean Shift算法對(duì)目標(biāo)的HOG特征聚類獲得目標(biāo)類別,得到挖掘機(jī)樣本弱分類器。后續(xù)采用弱分類器獲得的帶標(biāo)簽樣本訓(xùn)練可變形部件模型,實(shí)現(xiàn)無(wú)標(biāo)簽圖片數(shù)據(jù)的自動(dòng)標(biāo)注,開發(fā)人工微調(diào)數(shù)據(jù)標(biāo)定軟件用于部分標(biāo)注樣本的位置修正。實(shí)驗(yàn)結(jié)果表明,該方案能快速完成目標(biāo)檢測(cè)任務(wù)中圖像數(shù)據(jù)集的標(biāo)注工作,人工標(biāo)注1000張圖片大概需要60分鐘,而本文算法加上人工微調(diào)大概能在10分鐘內(nèi)完成標(biāo)注工作,有效降低獲取帶標(biāo)簽數(shù)據(jù)集的人工成本,提高深度學(xué)習(xí)中獲取帶標(biāo)簽樣本的效率。（2）提出了一種基于多尺度特征圖跳躍融合的多視角SSD改進(jìn)算法。針對(duì)SSD算法對(duì)小目標(biāo)檢測(cè)效果差的問題,通過多尺度預(yù)測(cè)特征圖層間跳躍連接進(jìn)行特征融合,提高模型對(duì)小目標(biāo)的敏感性和感知度,同時(shí)提升了模型總體檢測(cè)性能。針對(duì)快速視角變... 

【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容及組織結(jié)構(gòu)
        1.3.1 研究?jī)?nèi)容
        1.3.2 組織結(jié)構(gòu)
第二章 目標(biāo)檢測(cè)基礎(chǔ)理論和算法
    2.1 傳統(tǒng)目標(biāo)檢測(cè)算法
    2.2 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法
        2.2.1 基于Region Proposal的深度學(xué)習(xí)目標(biāo)檢測(cè)算法
        2.2.2 基于回歸的端到端（End-to-End）的目標(biāo)檢測(cè)框架
    2.3 本章小結(jié)
第三章 基于HOG特征的深度學(xué)習(xí)圖像數(shù)據(jù)集快速標(biāo)注算法
    3.1 算法總體流程圖
    3.2 數(shù)據(jù)采集及圖像預(yù)處理
        3.2.1 基于python網(wǎng)絡(luò)爬蟲的圖像樣本自動(dòng)采集
        3.2.2 視頻采集及圖像預(yù)處理
    3.3 基于HOG特征的Mean Shift聚類算法
        3.3.1 HOG特征
        3.3.2 Mean Shift聚類算法
    3.4 基于DPM模型的數(shù)據(jù)集快速標(biāo)定
    3.5 實(shí)驗(yàn)設(shè)計(jì)及分析
        3.5.1 實(shí)驗(yàn)一:采用Mean Shift聚類算法對(duì)不同類別的目標(biāo)物進(jìn)行分類
        3.5.2 實(shí)驗(yàn)二:用小樣本訓(xùn)練可變形部件模型獲取大量帶標(biāo)簽數(shù)據(jù)集
    3.6 人工微調(diào)數(shù)據(jù)標(biāo)定軟件開發(fā)
    3.7 本章小結(jié)
第四章 基于多尺度特征圖跳躍融合的多視角SSD改進(jìn)算法
    4.1 SSD算法原理概述
        4.1.1 SSD總體網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 基礎(chǔ)特征提取網(wǎng)絡(luò)和多尺度特征圖檢測(cè)
        4.1.3 先驗(yàn)框的設(shè)置和匹配策略
        4.1.4 SSD模型的訓(xùn)練和預(yù)測(cè)過程
    4.2 基于多尺度特征圖跳躍融合的SSD模型改進(jìn)
        4.2.1 上采樣
        4.2.2 空洞卷積
        4.2.3 Batch Normalization
        4.2.4 多尺度特征融合結(jié)構(gòu)設(shè)計(jì)
        4.2.5 特征融合連接模塊設(shè)計(jì)
        4.2.6 實(shí)驗(yàn)設(shè)計(jì)和分析
        4.2.7 SKIPSSD模型檢測(cè)效果
    4.3 基于多視角的SSD模型改進(jìn)
        4.3.1 多視角模型構(gòu)建
        4.3.2 實(shí)驗(yàn)設(shè)計(jì)及分析
        4.3.3 基于多視角的SKIPSSD模型檢測(cè)效果
    4.4 本章小結(jié)
第五章 結(jié)合目標(biāo)跟蹤的可變形施工機(jī)械實(shí)時(shí)檢測(cè)
    5.1 KCF目標(biāo)跟蹤算法概述
        5.1.1 訓(xùn)練KCF跟蹤器
        5.1.2 快速檢測(cè)
    5.2 結(jié)合KCF跟蹤的目標(biāo)檢測(cè)算法框架
    5.3 實(shí)驗(yàn)設(shè)計(jì)及分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]生成式對(duì)抗網(wǎng)絡(luò)研究進(jìn)展[J]. 王萬(wàn)良,李卓蓉.  通信學(xué)報(bào). 2018(02)
[2]基于DSmT理論的多視角融合目標(biāo)檢測(cè)識(shí)別[J]. 陸峰,徐友春,李永樂,蘇致遠(yuǎn),王任棟.  機(jī)器人. 2018(05)
[3]多卷積特征融合的HOG行人檢測(cè)算法[J]. 高琦煜,方虎生.  計(jì)算機(jī)科學(xué). 2017(S2)
[4]基于多分類器融合的多視角目標(biāo)檢測(cè)算法[J]. 尹維沖,路通.  計(jì)算機(jī)科學(xué). 2013(07)
[5]基于分裂級(jí)聯(lián)模型的多視角多姿態(tài)目標(biāo)檢測(cè)(英文)[J]. 黃江華,尹東,張榮,黃俊.  中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào). 2013(07)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽(yáng)明,王正.  計(jì)算機(jī)應(yīng)用研究. 2012(08)
[7]基于多尺度特征提取的運(yùn)動(dòng)目標(biāo)定位研究[J]. 孔軍,湯心溢,蔣敏.  紅外與毫米波學(xué)報(bào). 2011(01)
[8]基于連續(xù)Adaboost算法的多視角人臉檢測(cè)[J]. 武勃,黃暢,艾海舟,勞世竑.  計(jì)算機(jī)研究與發(fā)展. 2005(09)

博士論文
[1]智能視頻監(jiān)控下的多目標(biāo)跟蹤技術(shù)研究[D]. 李彤.中國(guó)科學(xué)技術(shù)大學(xué) 2013

碩士論文
[1]基于核相關(guān)濾波的目標(biāo)跟蹤方法研究[D]. 阮宏剛.南京郵電大學(xué) 2018
[2]基于改進(jìn)KCF算法的四旋翼無(wú)人機(jī)視覺跟蹤系統(tǒng)設(shè)計(jì)[D]. 褚天鵬.哈爾濱工業(yè)大學(xué) 2018
[3]基于核相關(guān)濾波的目標(biāo)跟蹤算法研究[D]. 王鶴鵬.西安電子科技大學(xué) 2018
[4]基于核相關(guān)濾波器的目標(biāo)跟蹤研究[D]. 李文靜.哈爾濱理工大學(xué) 2018
[5]基于KCF跟蹤算法的行人數(shù)量統(tǒng)計(jì)[D]. 蘇祺翔.哈爾濱工程大學(xué) 2018
[6]復(fù)雜場(chǎng)景下挖掘機(jī)運(yùn)動(dòng)狀態(tài)分析與識(shí)別[D]. 林煥凱.華南農(nóng)業(yè)大學(xué) 2016
[7]多視角人體檢測(cè)方法及行為識(shí)別方法研究[D]. 郭晶云.天津大學(xué) 2014
[8]基于稀疏表示的多視角目標(biāo)檢測(cè)技術(shù)研究[D]. 樊亞翔.國(guó)防科學(xué)技術(shù)大學(xué) 2013



本文編號(hào)：3159690