人物檢測(cè)是目標(biāo)檢測(cè)的一個(gè)分支。它是人物識(shí)別和人物定位的一個(gè)綜合,通俗來講,它是指在圖像中定位人物并找到人物的位置和范圍,并用合適的框把人物標(biāo)記出來。在當(dāng)前各行各業(yè)智能化發(fā)展的今天,人物檢測(cè)在很多領(lǐng)域有著廣泛的研究和應(yīng)用,作為必要的前置處理,它在智能交通,視頻監(jiān)控,目標(biāo)跟蹤等領(lǐng)域都很重要,因此人物檢測(cè)算法在推進(jìn)智能化建設(shè)的今天就顯得至關(guān)重要。本文首先對(duì)目標(biāo)檢測(cè)和人物檢測(cè)目前的發(fā)展情況和研究成果進(jìn)行了分析總結(jié),重點(diǎn)解析了深度學(xué)習(xí)領(lǐng)域的一些成果,比如R-CNN,Fast R-CNN,Faster R-CNN以及Yolo系列算法。在這個(gè)基礎(chǔ)之上,我們也致力于解決人物檢測(cè)問題中目前的研究難點(diǎn),網(wǎng)絡(luò)中特征提取不完全導(dǎo)致的準(zhǔn)確率偏低,候選框的優(yōu)化等問題,在前面研究的基礎(chǔ)上我們做的主要工作有:(1)在人物檢測(cè)過程中,關(guān)鍵環(huán)節(jié)之一是預(yù)選框的選擇,預(yù)選框的選擇將直接影響到人物檢測(cè)效果的好壞,在本文中,我們分析了前面的預(yù)選框的選擇歷程,再結(jié)合我們的具體問題,考慮到人物大小特征的不確定性,在候選框的選擇階段,我們使用K-means聚類算法對(duì)數(shù)據(jù)進(jìn)行聚類,通過可視化分析和IOU值的定量分析,綜合考慮聚類復(fù)雜度和...

【文章頁數(shù)】：89 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 現(xiàn)有典型研究方法
        1.2.2 代表性研究成果
        1.2.3 實(shí)際應(yīng)用情況
    1.3 本文的主要工作內(nèi)容
    1.4 本文的結(jié)構(gòu)安排
第二章 人物檢測(cè)相關(guān)方法
    2.1 傳統(tǒng)基于特征提取的方法
        2.1.1 HOG特征提取
        2.1.2 LBP特征提取
        2.1.3 Haar-like特征提取
        2.1.4 SVM
        2.1.5 Adaboost
    2.2 深度學(xué)習(xí)相關(guān)理論
        2.2.1 神經(jīng)網(wǎng)絡(luò)
        2.2.2 IOU的簡(jiǎn)介及原理
        2.2.3 非極大值抑制和邊框回歸
        2.2.4 候選區(qū)域生成
        2.2.5 ROIPooling
    2.3 基于深度學(xué)習(xí)的方法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
        2.3.4 Yolo
    2.4 數(shù)據(jù)集和評(píng)價(jià)標(biāo)準(zhǔn)
        2.4.1 數(shù)據(jù)集
        2.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
    2.5 本章小結(jié)
第三章 基于Yolov3的人物檢測(cè)算法改進(jìn)
    3.1 候選框的優(yōu)化
        3.1.1 K-means聚類算法
        3.1.2 優(yōu)化分析
    3.2 改進(jìn)的網(wǎng)絡(luò)模型
        3.2.1 特征網(wǎng)絡(luò)模型
        3.2.2 PDnet
        3.2.3 損失函數(shù)
    3.3 改進(jìn)的人物檢測(cè)算法總述
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)平臺(tái)
        3.4.2 實(shí)驗(yàn)設(shè)計(jì)
        3.4.3 實(shí)驗(yàn)結(jié)果
    3.5 本章小結(jié)
第四章 低質(zhì)量圖片中的人物檢測(cè)算法
    4.1 圖像去噪算法介紹與對(duì)比
        4.1.1 圖像去噪概述
        4.1.2 圖像去噪算法介紹
        4.1.3 圖像去噪算法對(duì)比
    4.2 去噪 + 人物檢測(cè)算法
        4.2.1 算法介紹
        4.2.2 實(shí)驗(yàn)結(jié)果與分析
    4.3 低質(zhì)量圖片中人物檢測(cè)的融合算法
        4.3.1 基于訓(xùn)練策略的融合算法
        4.3.2 基于Srres Net融合的Res PDnet算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)平臺(tái)
        4.4.2 實(shí)驗(yàn)設(shè)計(jì)
        4.4.3 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望及未來工作
參考文獻(xiàn)
在學(xué)期間的研究成果
致謝



本文編號(hào)：3823558