近些年,隨著深度學(xué)習(xí)的快速發(fā)展,行人檢測和視頻濃縮已經(jīng)成為視頻監(jiān)控分析領(lǐng)域研究的焦點。行人檢測是計算機視覺中的一項基本研究,它的主要任務(wù)是分析視頻圖像中是否含有目標(biāo)行人并對行人進行準(zhǔn)確定位。視頻濃縮技術(shù)是將原視頻中的主要內(nèi)容濃縮成方便人們?yōu)g覽的濃縮視頻,在公共安全領(lǐng)域,為維護社會治安發(fā)揮了不可替代的作用。本文的主要研究內(nèi)容如下:目前實時檢測行人算法在遇到人群相互遮擋情況時檢測性能很不理想,為解決此問題,將排斥損失函數(shù)應(yīng)用于Faster R-CNN進行行人檢測。該排斥損失函數(shù)由兩個因子組成:其中一個為行人間的相互吸引因子,另一個為與周圍其他行人的排斥因子。排斥因子阻止行人候選框轉(zhuǎn)移到周圍行人使得在人群中的行人檢測魯棒性更強。實驗結(jié)果表明,通過排斥損失訓(xùn)練的行人檢測算法在人群行人檢測當(dāng)中有著明顯改善,得到了較高的檢測準(zhǔn)確率。針對現(xiàn)實復(fù)雜環(huán)境中行人檢測出現(xiàn)的準(zhǔn)確率低和漏檢率高等問題,將圖像HOG特征與深度學(xué)習(xí)特征相結(jié)合應(yīng)用于行人檢測。首先通過統(tǒng)計圖像中像素點的梯度信息以及使用ZF-Net特征生成網(wǎng)絡(luò)得到行人邊緣描述算子HOG特征和行人深度語義特征;然后,利用候選區(qū)域生成網(wǎng)絡(luò)對上述兩種特征進行... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

LBP算子描述圖

部二值模式具有灰度、尺度變化不變性等優(yōu)點[32]，主要在行人再識別領(lǐng)域應(yīng)用。圖 2.1 所示，LBP 算法是比較中心與相鄰像素點的灰度值并進行二值化列數(shù)值，如果該中心像素點大于相鄰像素點的灰度值，則將對應(yīng)相鄰 0，否則設(shè)為 1。圖 2.1 LBP 算子描述圖于 LBP 算子無法擴展，后來人們對該算子進行改進，使用圓形區(qū)域代域，這樣就可以進行任意擴展，如圖 2.2 所示。

圖 2.3 各個塊中的顏色特征向量.2 紋理特征圖像的紋理特性是一個非常有用的圖像屬性[38]，矩不變量[39]首先由 Hu.M于 1962 年，Hu 推導(dǎo)出了 6 個絕對正交不變量和 1 個斜正交不變量，它們于位置、大小和方向，且獨立于平行投影。正因為 7 個 Hu 距具有平移不變不變性和尺度不變性等特點，它們常常被用于形容圖像的紋理特性[40]。連續(xù)的圖像函數(shù) f ( x,y)，它的 p q階幾何矩為： m xyf( x,y)dxdy(p,q 0,1,2,...)pqpq(若圖像函數(shù) f ( x,y)是一個分段的連續(xù)有界函數(shù)，那么所有的序列的矩都有列 {}pqm 是由 f ( x,y)絕對推算出的，相應(yīng)地， f ( x,y)也由矩序列 {}pqm 決定可以注意到，當(dāng) f ( x,y)通過平移、伸縮變換或旋轉(zhuǎn)時，式(2.18)中的矩可能的�？梢岳弥行木貋韺崿F(xiàn)不變特征，即(p+q)階幾何矩定義為：

【參考文獻】：
期刊論文
[1]基于交互機制卷積雙流融合神經(jīng)網(wǎng)絡(luò)的視頻濃縮[J]. 趙春飛,張麗紅.  測試技術(shù)學(xué)報. 2019(03)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的小尺度行人檢測[J]. 郭愛心,殷保群,李運.  信息技術(shù)與網(wǎng)絡(luò)安全. 2018(07)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[4]基于顏色特征與SIFT特征自適應(yīng)融合的粒子濾波跟蹤算法[J]. 謝天旭,何炳蔚.  計算機應(yīng)用研究. 2013(11)
[5]基于改進梯度方向直方圖的多尺度的行人檢測[J]. 李林,張麗紅.  計算機應(yīng)用. 2012(S2)
[6]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[7]基于顏色和邊緣特征的均值遷移目標(biāo)跟蹤算法[J]. 鄭玉鳳,馬秀榮,趙曉琳,王新闖,郭親弟.  光電子.激光. 2011(08)
[8]Hu不變矩的構(gòu)造與推廣[J]. 張偉,何金國.  計算機應(yīng)用. 2010(09)
[9]自適應(yīng)混合高斯背景模型的運動目標(biāo)檢測方法[J]. 黃鑫娟,周潔敏,劉伯揚.  計算機應(yīng)用. 2010(01)
[10]聚類算法研究[J]. 孫吉貴,劉杰,趙連宇.  軟件學(xué)報. 2008(01)

碩士論文
[1]基于聚類的推薦算法研究與應(yīng)用[D]. 李俊.南京郵電大學(xué) 2018
[2]基于雙目圖像的行人檢測定位系統(tǒng)研究與實現(xiàn)[D]. 楊榮堅.西安電子科技大學(xué) 2017
[3]SSD網(wǎng)絡(luò)可視化及刪減方法[D]. 韓笑.西安電子科技大學(xué) 2017
[4]基于改進卷積神經(jīng)網(wǎng)絡(luò)算法的研究與應(yīng)用[D]. 王飛飛.南京郵電大學(xué) 2016
[5]基于深度學(xué)習(xí)的行人檢測[D]. 王斌.北京交通大學(xué) 2015
[6]復(fù)雜場景下目標(biāo)消影算法的研究與應(yīng)用[D]. 王俊.安徽大學(xué) 2015
[7]基于聚類算法的視頻濃縮技術(shù)研究[D]. 周家亮.華中科技大學(xué) 2015
[8]基于運動目標(biāo)的視頻濃縮技術(shù)研究[D]. 葉家林.南京郵電大學(xué) 2015



本文編號：2923923