城市管理案件图像目标检测算法研究
发布时间：2021-01-31 15:17
目前,全球各国对智慧城市的建设越来越重视,而城市管理系统是智慧城市建设的关键一步。在国内,一些城市已将城市管理系统应用于城市管理中,但均是依靠专人对案件进行识别、派发和处理。这使系统运行效率低下同时还浪费了大量的财力物力。因此,针对这一问题,本文深入研究了城市管理案件视频图像目标检测算法,并进一步将目标检测算法融入到城市管理系统中自动识别案件类型,提高城市管理系统的智能化水平,促进城市管理工作高效化。具体的研究内容如下:1)提出了一种车辆违章检测算法,实现机动车和非机动车乱停违章案件的检测,提高了此类案件识别的稳定性。该方法采用同态滤波对样本进行预处理消除了光照等环境因素对识别结果的影响,接着对样本进行ZCA白化处理减少数据间的关联性,并利用改进的卷积神经网络提取样本特征,然后将提取的样本特征送入检测网络中进行检测;最后采用跟踪和运动分析来判断感兴趣区域（ROI）中的非法车辆。通过与Faster R-CNN、SSD、YOLO进行比较,验证该方法的有效性。实验结果表明,该方法具有更强的鲁棒性、更高的检测精度。2)提出了一种基于改进的卷积神经网络的城管案件识别算法,并针对乱涂写乱贴张、非机...
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
YOLO训练框架
城市管理案件图像目标检测算法研究§2.3.2 YOLO 检测算法模型YOLO 是一种检测速度大小为 45FPS 的目标检测算法，该算法把目标检测过和目标识别过程融合在一起。YOLO 的思想是输入为一整张图片，然后直接回归出多位置包含的目标信息，包括目标边界框和目标所属的类别。基于整体回归的 YO算法的具体实现步骤如表 2-2 所示：表 2-2 YOLO 模型检测步骤YOLO 模型：步骤 1：输入一张图片，将其缩放为 448×448 的大小，并将其分为 7*7 的小格子。步骤 2：对于划分的 49 个网格，每个网格预测出两个边界框，其包含的信息为待检测目标物的置信度和边界宽在多个类别上的概率。步骤 3：对置信度卡阈值，得到需要检测的目标的所属类别和目标的位置步骤 4：通过 NMS，即非最大抑制法来筛选得到的目标位置与类别，将冗余的窗口去除掉
图 3-3 密集式连接方式第 N 层的输入为 Xn，则： n n 0, 1,...., n1X K X X X 其中[]代表 concatenation(拼接),既将 X0到 Xn-1层的所有输出特征图按 Cha一起。这里所用到的非线性变换 K 为 BN+ReLU+Conv(3×3)的组合，并且特征图进行 cat 操作。2、每个卷积层后面加入 Dropblock。Dropblock 是对卷积层正则化，防止则化。 控制要丢弃的激活单元的数量 keep _prob是传统 dropout 中单元率。公式如下22 21- _ _=_ ( _ _ 1)keep prob feat sizeblock size feat size block size 其中有效种子区域的大小是 2feat _ size block _ size 1， feat _size 是特，block_size是要丢弃的block 的大小，将 keep _prob的值定位 0.75 到 0.95 后根据上述公式计算 γ 的值。Dropblock 与 Dropout 处理图像如下：
【参考文献】：
期刊论文
[1]视觉图像与检测技术相结合 共创人工智能发展新视角[J]. 于洋. 电子测量与仪器学报. 2017(06)
[2]面向智慧城市的大数据开放共享平台的设计与实现[J]. 孙傲冰,季统凯,伍小强. 计算机应用. 2017(S1)
[3]基于Otsu阈值和水平集算法的非接触指纹背景分割研究[J]. 李永. 计算机与数字工程. 2017(02)
[4]《关于深入推进城市执法体制改革 改进城市管理工作的指导意见》问答[J]. 辽信. 共产党员. 2016(08)
[5]融合多特征的禁停区域车辆检测方法[J]. 穆春阳,马行,张盼盼. 科技视界. 2015(24)
[6]一种电力电缆的随机电热退化模型（英文）[J]. Swati Sachan,Rui Wen,Yong Xiang,Leiming Yao,Chengke Zhou. 高电压技术. 2015(04)
[7]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[8]以数据为中心的智慧城市研究综述[J]. 王静远,李超,熊璋,单志广. 计算机研究与发展. 2014(02)
[9]基于灰度变化后阈值分割的丝带检测[J]. 杨永杰,陈香,唐钰婷,包志华. 丝绸. 2013(09)
[10]基于图像信噪比选择优化高斯滤波尺度[J]. 王文远. 电子与信息学报. 2009(10)
本文编号：3011122
【文章来源】：桂林电子科技大学广西壮族自治区
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
YOLO训练框架
城市管理案件图像目标检测算法研究§2.3.2 YOLO 检测算法模型YOLO 是一种检测速度大小为 45FPS 的目标检测算法，该算法把目标检测过和目标识别过程融合在一起。YOLO 的思想是输入为一整张图片，然后直接回归出多位置包含的目标信息，包括目标边界框和目标所属的类别。基于整体回归的 YO算法的具体实现步骤如表 2-2 所示：表 2-2 YOLO 模型检测步骤YOLO 模型：步骤 1：输入一张图片，将其缩放为 448×448 的大小，并将其分为 7*7 的小格子。步骤 2：对于划分的 49 个网格，每个网格预测出两个边界框，其包含的信息为待检测目标物的置信度和边界宽在多个类别上的概率。步骤 3：对置信度卡阈值，得到需要检测的目标的所属类别和目标的位置步骤 4：通过 NMS，即非最大抑制法来筛选得到的目标位置与类别，将冗余的窗口去除掉
图 3-3 密集式连接方式第 N 层的输入为 Xn，则： n n 0, 1,...., n1X K X X X 其中[]代表 concatenation(拼接),既将 X0到 Xn-1层的所有输出特征图按 Cha一起。这里所用到的非线性变换 K 为 BN+ReLU+Conv(3×3)的组合，并且特征图进行 cat 操作。2、每个卷积层后面加入 Dropblock。Dropblock 是对卷积层正则化，防止则化。 控制要丢弃的激活单元的数量 keep _prob是传统 dropout 中单元率。公式如下22 21- _ _=_ ( _ _ 1)keep prob feat sizeblock size feat size block size 其中有效种子区域的大小是 2feat _ size block _ size 1， feat _size 是特，block_size是要丢弃的block 的大小，将 keep _prob的值定位 0.75 到 0.95 后根据上述公式计算 γ 的值。Dropblock 与 Dropout 处理图像如下：
【参考文献】：
期刊论文
[1]视觉图像与检测技术相结合 共创人工智能发展新视角[J]. 于洋. 电子测量与仪器学报. 2017(06)
[2]面向智慧城市的大数据开放共享平台的设计与实现[J]. 孙傲冰,季统凯,伍小强. 计算机应用. 2017(S1)
[3]基于Otsu阈值和水平集算法的非接触指纹背景分割研究[J]. 李永. 计算机与数字工程. 2017(02)
[4]《关于深入推进城市执法体制改革 改进城市管理工作的指导意见》问答[J]. 辽信. 共产党员. 2016(08)
[5]融合多特征的禁停区域车辆检测方法[J]. 穆春阳,马行,张盼盼. 科技视界. 2015(24)
[6]一种电力电缆的随机电热退化模型（英文）[J]. Swati Sachan,Rui Wen,Yong Xiang,Leiming Yao,Chengke Zhou. 高电压技术. 2015(04)
[7]智能视频监控技术综述[J]. 黄凯奇,陈晓棠,康运锋,谭铁牛. 计算机学报. 2015(06)
[8]以数据为中心的智慧城市研究综述[J]. 王静远,李超,熊璋,单志广. 计算机研究与发展. 2014(02)
[9]基于灰度变化后阈值分割的丝带检测[J]. 杨永杰,陈香,唐钰婷,包志华. 丝绸. 2013(09)
[10]基于图像信噪比选择优化高斯滤波尺度[J]. 王文远. 电子与信息学报. 2009(10)
本文编号：3011122
本文链接：https://www.wllwen.com/jingjilunwen/hongguanjingjilunwen/3011122.html
