本文關(guān)鍵詞：基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究及應(yīng)用

  更多相關(guān)文章： 目標(biāo)檢測(cè) 行人檢測(cè) 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò)

【摘要】：目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)富有挑戰(zhàn)性的課題,其主要目的是從靜態(tài)圖片或視頻中檢測(cè)并定位特定的目標(biāo)。它綜合運(yùn)用了圖像處理、模式識(shí)別、人工智能和自動(dòng)控制等技術(shù),在道路交通事故預(yù)防、工廠可疑危險(xiǎn)品警告、軍事禁區(qū)監(jiān)控、高級(jí)人機(jī)交互等方面有著廣泛的應(yīng)用。由于目標(biāo)所處環(huán)境復(fù)雜多變,目前還沒有一種比較通用成熟的檢測(cè)方法,在實(shí)際應(yīng)用中目標(biāo)檢測(cè)算法研究的機(jī)遇與挑戰(zhàn)并存。本論文首先分析了國(guó)內(nèi)外目標(biāo)檢測(cè)算法的研究現(xiàn)狀,著重介紹了當(dāng)前應(yīng)用較為廣泛的方法,使用目標(biāo)特征訓(xùn)練分類器進(jìn)行目標(biāo)分類檢測(cè)。針對(duì)使用現(xiàn)有特征訓(xùn)練的分類器進(jìn)行目標(biāo)分類檢測(cè)時(shí)存在誤檢率較高的缺點(diǎn),本文在深度學(xué)習(xí)的基礎(chǔ)上提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的行人目標(biāo)檢測(cè)算法。為了解決直接使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行滑動(dòng)窗口檢測(cè)效率較低的問題,本文將算法分為兩大步驟:(1)疑似存在行人窗口確認(rèn);(2)行人檢測(cè)。在疑似存在行人窗口確認(rèn)中,本文使用融合特征作為行人的描述特征訓(xùn)練分類器,采用了鄰近尺度特征值相似的思想構(gòu)建分類器金字塔,在待檢圖像上利用不同尺度的滑動(dòng)窗口進(jìn)行滑動(dòng)遍歷確定疑是存在行人窗口;在行人檢測(cè)中,使用大量正負(fù)樣本訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò),為了更好的適應(yīng)行人檢測(cè),將該卷積神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行改進(jìn)。將疑似存在行人的窗口輸入改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行行人檢測(cè),在保持原有的檢測(cè)率的基礎(chǔ)下降低了誤檢率。為了驗(yàn)證本文所提出算法的準(zhǔn)確性,在INRIA行人數(shù)據(jù)庫進(jìn)行行人檢測(cè)實(shí)驗(yàn)。分別以每個(gè)窗口和每幅圖像為檢測(cè)單位,統(tǒng)計(jì)本文算法的檢測(cè)率和誤檢率,在平均每幅圖像存在一個(gè)誤檢窗口的標(biāo)準(zhǔn)下,達(dá)到了93%的檢測(cè)率。檢測(cè)率比使用ACF特征訓(xùn)練的檢測(cè)器高三個(gè)百分點(diǎn),檢測(cè)速度比單獨(dú)使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)提升四倍以上。實(shí)驗(yàn)結(jié)果證明了本文算法的有效性。
【關(guān)鍵詞】：目標(biāo)檢測(cè) 行人檢測(cè) 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-15
• 1.1 研究背景及意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)安排13-15
• 第二章 相關(guān)基礎(chǔ)知識(shí)15-37
• 2.1 行人目標(biāo)檢測(cè)算法原理15-18
• 2.1.1 基于模板匹配的檢測(cè)算法15-16
• 2.1.2 基于分類的行人檢測(cè)算法16-18
• 2.2 典型的人體特征18-24
• 2.2.1 HAAR-LIKE特征18-19
• 2.2.2 HOG特征19-21
• 2.2.3 SIFT特征21-24
• 2.3 典型分類器24-29
• 2.3.1 支持向量機(jī)算法24-27
• 2.3.2 ADABOOST算法27-29
• 2.4 深度學(xué)習(xí)29-36
• 2.4.1 深度學(xué)習(xí)概述29-30
• 2.4.2 典型的深度學(xué)習(xí)結(jié)構(gòu)30-36
• 2.5 本章小結(jié)36-37
• 第三章 基于融合特征的疑是行人窗口確認(rèn)37-52
• 3.1 提取融合特征37-43
• 3.2 分類器訓(xùn)練43-47
• 3.2.1 訓(xùn)練標(biāo)準(zhǔn)尺度級(jí)聯(lián)分類器43-47
• 3.2.2 快速構(gòu)建鄰近尺度分類器47
• 3.3 滑動(dòng)窗口檢測(cè)47-51
• 3.4 本章小結(jié)51-52
• 第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的行人檢測(cè)52-62
• 4.1 本文所使用的卷積神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)52-53
• 4.2 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)53-58
• 4.3 卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)節(jié)58-60
• 4.4 行人目標(biāo)檢測(cè)過程60-61
• 4.5 本章小結(jié)61-62
• 第五章 實(shí)驗(yàn)結(jié)果及性能分析62-69
• 5.1 實(shí)驗(yàn)結(jié)果說明及對(duì)比62-68
• 5.1.1 行人檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)62-63
• 5.1.2 實(shí)驗(yàn)過程63
• 5.1.3 實(shí)驗(yàn)結(jié)果與分析63-67
• 5.1.4 性能比較67-68
• 5.2 本章小結(jié)68-69
• 第六章 總結(jié)與展望69-70
• 6.1 論文總結(jié)69
• 6.2 進(jìn)一步研究工作69-70
• 致謝70-71
• 參考文獻(xiàn)71-75
• 攻讀碩士學(xué)位期間取得的成果75-76

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 張桂林，，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測(cè)算法性能的方法[J];華中理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版);1994年05期

2 秦劍;陳錢;錢惟賢;;基于背景分類的弱小目標(biāo)檢測(cè)算法[J];光電工程;2011年01期

3 蔣建國(guó);吳暉;齊美彬;張莉;;攝像機(jī)旋轉(zhuǎn)運(yùn)動(dòng)下的快速目標(biāo)檢測(cè)算法[J];圖學(xué)學(xué)報(bào);2012年03期

4 逯鵬;張姍姍;劉馳;黃石磊;湯玉合;;基于稀疏超完備表示的目標(biāo)檢測(cè)算法[J];儀器儀表學(xué)報(bào);2013年06期

5 李大輝;金濤;;弱小目標(biāo)檢測(cè)算法的設(shè)計(jì)與分析[J];中國(guó)科技信息;2013年16期

6 張明艷;許鋼;孟櫻;;基于時(shí)空特性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[J];安徽工程大學(xué)學(xué)報(bào);2013年04期

7 徐振海,王雪松,肖順平,莊釗文;基于模糊融合的目標(biāo)檢測(cè)算法研究[J];國(guó)防科技大學(xué)學(xué)報(bào);2000年04期

8 李維雅,董能力,金鋼,李正周;弱小目標(biāo)檢測(cè)算法性能評(píng)價(jià)的回歸分析方法[J];光電工程;2005年02期

9 高陳強(qiáng);田金文;王鵬;;基于時(shí)域特性分析的紅外運(yùn)動(dòng)小目標(biāo)檢測(cè)算法[J];紅外與激光工程;2008年05期

10 曾脈;左志宏;常曉夫;何煊;;一種準(zhǔn)確而快速的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];成都信息工程學(xué)院學(xué)報(bào);2008年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 高飛;蔣建國(guó);安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國(guó)第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國(guó)第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測(cè)算法[A];第八屆全國(guó)信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國(guó)多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

4 袁輝;孫卓;李德民;魏穎;;基于小波多尺度互能量交叉融合濾波的弱小目標(biāo)檢測(cè)算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

5 顧靜良;萬敏;張衛(wèi);鄭捷;;低對(duì)比度弱小目標(biāo)檢測(cè)算法[A];中國(guó)工程物理研究院科技年報(bào)（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機(jī)水平巡掃時(shí)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

7 張國(guó)華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測(cè)算法[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機(jī)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國(guó)第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國(guó)第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

10 劉琳;顧國(guó)華;錢惟賢;陳錢;徐富元;;目標(biāo)檢測(cè)算法的研究以及SRIO協(xié)議在目標(biāo)檢測(cè)的應(yīng)用[A];第八屆華東三省一市真空學(xué)術(shù)交流會(huì)論文集[C];2013年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 王海豐;基于機(jī)器視覺的剖竹機(jī)加工目標(biāo)檢測(cè)算法研究[D];東北林業(yè)大學(xué);2015年

2 王俊強(qiáng);圖像中人體目標(biāo)檢測(cè)算法研究[D];北京郵電大學(xué);2012年

3 郭明瑋;基于視覺記憶的目標(biāo)檢測(cè)算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

4 臧風(fēng)妮;智能視頻監(jiān)控中海面艦船目標(biāo)檢測(cè)算法研究[D];中國(guó)海洋大學(xué);2014年

5 陳偉;基于PSO的復(fù)雜工業(yè)環(huán)境視覺目標(biāo)檢測(cè)算法應(yīng)用研究[D];武漢科技大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 劉恒建;基于FPGA+DSP的運(yùn)動(dòng)目標(biāo)檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南京理工大學(xué);2015年

2 賈建英;視頻序列中運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];長(zhǎng)安大學(xué);2015年

3 周亞運(yùn);基于TMS320DM642平臺(tái)的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)算法設(shè)計(jì)[D];南京理工大學(xué);2015年

4 姚丹;基于多光譜信息融合的弱小運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉培培;基于區(qū)域特征的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究與開發(fā)[D];廣西大學(xué);2015年

6 崔璇;天空背景下紅外小目標(biāo)檢測(cè)算法研究[D];陜西師范大學(xué);2015年

7 范肖肖;基于視覺注意機(jī)制的目標(biāo)檢測(cè)算法的研究[D];電子科技大學(xué);2015年

8 丁嬋;運(yùn)動(dòng)目標(biāo)檢測(cè)算法在嵌入式平臺(tái)的研究[D];電子科技大學(xué);2015年

9 張冠雄;基于標(biāo)簽傳播的顯著性目標(biāo)檢測(cè)算法研究[D];大連理工大學(xué);2015年

10 李建波;視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究[D];哈爾濱工業(yè)大學(xué);2014年

本文編號(hào)：1048116