基于卷积神经网络的隧道行人目标检测算法研究

发布时间：2020-12-22 23:24

　　隧道中行人目标的快速准确检测对保障隧道交通安全有着重要作用。相比于传统的机器学习检测算法卷积神经网络可以自动学习图像丰富的特征,具有较强的特征提取能力,基于卷积神经网络的行人检测算法在检测速度和检测精度上有明显优势。但在隧道环境中,环境光照不足,监控视频图像模糊,噪声多,行人目标在隧道监控视频中目标小、像素低,难以发挥卷积神经网络特征提取能力强的优势。因此,研究基于改进卷积神经网络的隧道行人目标检测具有重要的理论和实际意义。近几年,R-CNN（Region-based Convolutional Neural Networks）系列卷积神经网络在目标检测方面取得了较好的效果。论文以Fast R-CNN和Faster R-CNN检测网络为基础,针对Fast R-CNN候选区域提取时间过长问题以及Faster R-CNN在隧道环境下行人特征提取效果不佳问题展开研究,提出了一种新的前景提取方法以及超分辨率网络与Faster R-CNN级联的行人目标检测网络,并对Faster R-CNN中的RPN（Region proposal network）网络和NMS（Non-maximum suppr... 

【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

深度学习分类Fig.1.1Classificationofdeeplearning

重庆大学硕士学位论文8图2.1CNN结构示意图[26]Fig.2.1StructurediagramofCNN[26]①卷积层卷积的概念最早起源于信号与系统，泛函分析中，卷积是通过两个函数f和g生成第三个函数的一种数学算子，是其中一个函数变换后与另一个函数的乘积的积分。函数f与g的卷积可以定义为：z(t)f(t)g(t)=f(m)g(tm)dm(2.1)卷积层的参数即是一系列带有可学习参数的滤波器，对输入图像进行卷积操作的本质就是对图像进行滤波处理。下图2.2所示即在一个尺寸为5x5的图像上用3x3的卷积核以滑动步长为1进行卷积计算的过程。图2.2卷积计算过程示意图Fig.2.2Diagramofconvolutioncalculationprocess输入图像通过卷积层进行卷积操作，再输入一个激活函数得到输出特征图，该过程如公式2.2所示：1(*W)jlllljiijjiMXfXb(2.2)ljX表示第l层的第j个特征图，l1iX表示l1层的所有特征图，lijK表示第l层的第j个卷积核，ljb表示偏置，f()表示转换函数。卷积层具有局部感知和权值共享的特性。局部感知指的是卷积层的每个神经元只对图像的局部进行感知，图像中相邻像素间关系紧密，距离越远的像素间相

重庆大学硕士学位论文8图2.1CNN结构示意图[26]Fig.2.1StructurediagramofCNN[26]①卷积层卷积的概念最早起源于信号与系统，泛函分析中，卷积是通过两个函数f和g生成第三个函数的一种数学算子，是其中一个函数变换后与另一个函数的乘积的积分。函数f与g的卷积可以定义为：z(t)f(t)g(t)=f(m)g(tm)dm(2.1)卷积层的参数即是一系列带有可学习参数的滤波器，对输入图像进行卷积操作的本质就是对图像进行滤波处理。下图2.2所示即在一个尺寸为5x5的图像上用3x3的卷积核以滑动步长为1进行卷积计算的过程。图2.2卷积计算过程示意图Fig.2.2Diagramofconvolutioncalculationprocess输入图像通过卷积层进行卷积操作，再输入一个激活函数得到输出特征图，该过程如公式2.2所示：1(*W)jlllljiijjiMXfXb(2.2)ljX表示第l层的第j个特征图，l1iX表示l1层的所有特征图，lijK表示第l层的第j个卷积核，ljb表示偏置，f()表示转换函数。卷积层具有局部感知和权值共享的特性。局部感知指的是卷积层的每个神经元只对图像的局部进行感知，图像中相邻像素间关系紧密，距离越远的像素间相

【参考文献】：
期刊论文
[1]基于背景差分与帧间差分的目标检测改进算法[J]. 王梦菊,吴小龙,杜海涛.  自动化技术与应用. 2018(10)
[2]一种改进聚合通道特征的行人检测方法[J]. 韦皓瀚,曹国,尚岩峰,孙权森,王必胜.  数据采集与处理. 2018(03)
[3]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇.  计算机工程与设计. 2018(01)
[4]图像的最近邻缩放原理及实现[J]. 李艳玲.  长治学院学报. 2016(05)
[5]图像超分辨率重建技术及研究[J]. 叶兆丰.  电子世界. 2013(09)
[6]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭.  自动化技术与应用. 2008(07)
[7]行人检测系统研究新进展及关键技术展望[J]. 许言午,曹先彬,乔红.  电子学报. 2008(05)
[8]基于三次样条插值的图像放大的离散算法[J]. 王忠谦,朱宁.  苏州大学学报(自然科学版). 2005(02)

硕士论文
[1]基于深度卷积神经网络的目标检测算法研究[D]. 黄莉芝.西南交通大学 2018
[2]基于深度学习的说话人识别研究[D]. 陈甜甜.北京邮电大学 2018
[3]基于深度视感知学习的目标检测算法与应用研究[D]. 张亚超.兰州理工大学 2018
[4]基于卷积神经网络的交通场景行人检测[D]. 罗杰.南昌航空大学 2018
[5]基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[6]基于深度学习的人脸识别算法研究[D]. 赵学斌.北京邮电大学 2018
[7]基于深度卷积神经网络的表单中手写签名位置定位方法[D]. 李雪薇.西安理工大学 2017
[8]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[9]基于深度学习的图像识别与文字推荐系统的设计与实现[D]. 王雨辰.北京交通大学 2017
[10]基于深度学习的手语识别方法研究[D]. 韩宁江.吉林大学 2017



本文编号：2932631