行人檢測是人工智能領(lǐng)域的技術(shù)基石,應(yīng)用前景廣闊。隨著深度學(xué)習(xí)的崛起,行人檢測技術(shù)領(lǐng)域出現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的檢測算法。目前行人檢測算法仍無法同時實現(xiàn)高性能和實時性的行人檢測,行人尺寸多樣及背景復(fù)雜多變等諸多限制因素亟待解決�？勺兘箞鼍耙曨l下基于CNN的行人檢測算法研究與實現(xiàn)對于行人檢測技術(shù)的進一步完善有一定的參考價值。鑒于此背景,本論文研究可變焦場景視頻下基于CNN的行人檢測算法及其實現(xiàn)問題,主要完成的工作及創(chuàng)新點有:(1)針對行人背景復(fù)雜多變及現(xiàn)有數(shù)據(jù)庫不能完全契合論文的行人檢測要求等問題,設(shè)計選用星光網(wǎng)絡(luò)攝像頭完成可變焦視頻采集平臺搭建和多場景下行人視頻采集工作,利用Matlab設(shè)計并實現(xiàn)的標注軟件進行行人樣本標注,在現(xiàn)有行人檢測數(shù)據(jù)庫的基礎(chǔ)上,進行本地數(shù)據(jù)庫構(gòu)建。實驗結(jié)果表明,聯(lián)合數(shù)據(jù)庫在一定程度上解決了行人背景復(fù)雜多變的問題,而且更有利于行人檢測算法的實現(xiàn)。(2)論文設(shè)計完成基于 CNN 的 SSD(Single Shot MultiBox Detector,SSD)行人檢測算法,并針對相應(yīng)問題進行了網(wǎng)絡(luò)改進。... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１行人分類、定位及檢測的關(guān)系??Ｆｉｇｕｒｅ?１－１?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｐｅｄｅｓｔｒｉａｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ，?ｌｏｃａｔｉｏｎ?ａｎｄ?ｄｅｔｅｃｔｉｏｎ??

具有一個隱層的多層感知機，或者是具有一個隱層于人類準則的統(tǒng)計學(xué)習(xí)方式來完成較繁雜的訓(xùn)練，預(yù)測。淺層模型最根本任務(wù)是目標分類。常見的淺（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ，?ＳＶＭ）?［４５］、提升算法［４６］和列舉模型的隱層個數(shù)為一層或者零層，其在提出后學(xué)習(xí)相比需要很少的訓(xùn)練技巧，所以被迅速地應(yīng)用層學(xué)習(xí)對于需要多個隱層來解決的檢測問題，如果邊緣特征層進行目標檢測時，需要反復(fù)地人工修改解決問題，需要多次訓(xùn)練，才能完成目標檢測。上不夠，因此需要深度學(xué)習(xí)來解決深度不夠問題。??經(jīng)網(wǎng)絡(luò)的興起，深度學(xué)習(xí)概念被提出。深度學(xué)習(xí)屬度學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)中最重要的部分，它的基本構(gòu)成習(xí)包含人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。機器學(xué)習(xí)、神經(jīng)２＿１中所示。從圖２－１中可以清晰地看到幾種方法在

一層提取到的特征用于下一層提取特征時的輸入；第三步全部訓(xùn)練完成后，從最??高層開始改變學(xué)習(xí)方式，采用監(jiān)督學(xué)習(xí)方式從高到低進行參數(shù)微調(diào)來生成模型。??深度學(xué)習(xí)訓(xùn)練流程如下圖２－２所示：??＜?自高到低監(jiān)督學(xué)習(xí)微調(diào)?＿??高非監(jiān)督學(xué)??圖２－２深度學(xué)習(xí)訓(xùn)練流程??Ｆｉｇｕｒｅ?２－２?Ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｔｒａｉｎｉｎｇ??深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)存在很多相同點和不同點，通過下圖??２－３深度學(xué)習(xí)模型和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型圖進行對比分析。??＿??ａ）神經(jīng)網(wǎng)絡(luò)?ｂ）含多個隱層的深度學(xué)習(xí)網(wǎng)絡(luò)??ａ）?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｂ）?Ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｎｅｔｗｏｒｋ?ｗｉｔｈ?ｍｕｌｔｉｐｌｅ?ｈｉｄｄｅｎ?ｌａｙｅｒｓ??圖２－３神經(jīng)網(wǎng)絡(luò)模型和深度學(xué)習(xí)模型??Ｆｉｇｕｒｅ?２－３?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ?ａｎｄ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??由上圖２－３可以看出，深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同點是：兩??者都是具有輸入層、隱層和輸出層多層網(wǎng)絡(luò)的分層結(jié)構(gòu)，權(quán)重連接只在相鄰層的??層與層之間，同一層或者跨層之間不存在權(quán)重連接。深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和傳統(tǒng)神??經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不同點是：傳統(tǒng)神經(jīng)網(wǎng)絡(luò)層數(shù)一般為兩層或者三層。受層數(shù)少的限制

【參考文獻】：
碩士論文
[1]基于SSD的行人檢測與跟蹤方法研究[D]. 李海翔.中國科學(xué)技術(shù)大學(xué) 2018
[2]深度學(xué)習(xí)在行人檢測中的研究與應(yīng)用[D]. 李蹊.北京郵電大學(xué) 2017



本文編號：2932446