基于深度学习的人车检测研究
发布时间：2021-10-20 23:32
随着人工智能技术的发展,行人车辆检测正在被广泛地应用于智慧安防、智能交通、无人驾驶等诸多领域,近年来在学术界与工业界得到了越来越多的关注。传统的目标检测算法由于使用人工设计图像特征的方式,特征表达能力不足,对多样性的变化没有较好的鲁棒性,无法满足实际应用的的需求,行人及车辆的检测仍然是一个极具挑战性的问题。近年来,因卷积神经网络（CNN）在机器视觉领域的普遍应用,目标检测的性能有了大幅度提高。与传统检测方法相比,卷积神经网络采用高效的目标定位方式且能够根据对象的类别自适应地提取深层语义特征,从而达到了对目标的实时高精度检测。本论文以校园周边为研究地点,针对来往行人及车辆进行实时检测,从监控画面的特性入手,深入浅出地阐述了监控画面中人车检测出现的难点和问题,通过理论分析,在实验的基础上对检测模型进行了性能完善,使基于深度神经网络的检测技术能够较好地应用到监控画面中的人车检测。本论文的主要研究工作分为以下几个部分:（1）数据集搭建。本文的数据集由两个部分组成,一部分来自PASCAL VOC数据集,共包含20个类别,从中筛选出人车两类图片用于检测模型的训练;另一部分来自10个视频数据源,这些...
【文章来源】：天津科技大学天津市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图１－１人工视频监控??Ｆｉｇ．?１－１?Ａｒｔｉｆｉｃｉａｌ?ｖｉｄｅｏ?ｍｏｎｉｔｏｒｉｎｇ??
ｔｗｙ?▼?ｍｔａｔ＇??‘圈?翅…今??■丨ｉｎ．］……．．上…………．ｉｒ……．．．ｌｉｒ?，士‘翁⑷??ｕ?Ｉ?＊：｜??ｗ＾ｍ?ｙｆ?漏＾“＇ｕ邊?ｊ?ｒｅｓｐｏｎｓｅ?ｏ＃?ｐａｒｔ?ｆｉｂｅｒｓ??ｉ?；??ｌ?■國??Ｉ??｜????ｃｏｋｉｒ?ｅｎｃｃｃｆｅｉｇ?ｏｆ?ｆｉｌｔｅｒ?ｖ?Ｖ??ｒｅｓｐｏｎｓｅ?ｖａｌｕｅｓ??ｃｗｎｂｍｅｄ?ｓｃｏｒｅ?ｏｆ??ｌｏｗ?ｖａｌｕｅ?ｈｉｇｈ?ｖａｌｕｅ?ｒｏｏｔ?ｔｅｃａｔｋｍｓ??图１－２ＤＰＭ算法结构示意图［３１］??Ｆｉｇｕｒｅ．?１－２?ＤＰＭ?ａｌｇｏｒｉｔｈｍ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ［３１］??１．２．２基于候选区域和ＣＮＮ特征相结合的目标检测算法??２０１２?年，ｋｒｉｚｈｅｖｓｋｙ?等［２５］提出基于深度卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ，??ＣＮＮ）的ＡｌｅｘＮｅｔ模型，在ＩｍａｇｅＮｅｔ大规模图像识别竞赛中分类任务的性能远超基??于传统视觉特征的方法，错误率仅为１５．３％，以低于第二名（错误率２６％）约１１个??百分点的极大优势，赢得了比赛的冠军，从而证明了将卷积神经网络应用在目标识别??中的有效性［３８］。??而在目标检测方面，Ｇｉｒｓｈｉｄ＃９］等人提出了基于卷积神经网络与候选区域相结合??的Ｒ－ＣＮＮ检测算法。Ｒ－ＣＮＮ从图像中提取出候选区域并将其变成一个固定的尺寸，??然后使用卷积神经网络对候选区域的深度特征进行提取，并提交给ＳＶＭ分类器用于??分类Ｗ。Ｒ－Ｃ＿使用卷积神经网络对图像的特征进行提取，而不是利用传统的手工设??计特征，因此在检测精度
?２深度学习理论介绍???２．３卷积神经网络??２．?３．?１卷积神经网络的结构??卷积神经网络（ＣＮＮ）是近些年流行起来并且具备高效识别能力的一类深度模型，??通常由多个卷积层、池化层以及全连接层构成，内部结构如图２－１所示。??输入层＃积｜化层全连接层??弊戾玲全离接层ｄｏｇ?（０．０１）??图２－１卷积神经网络结构图??ＦＩＧ．?２－１?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??模型训练流程：数据集中的样本经过预处理后进入ＣＮＮ中开始训练，过程分为??前馈传播与反向传播两个阶段。样本由输入层通过非线性映射到达隐含层，再采取卷??积操作、池化运算提取目标深层次特征；接着，通过定义损失函数，算出预测值和标??签之间的误差，采用反向传播算法逐层反馈最后一层的误差值；最后，使用梯度下降??法更新每层参数。其流程图如图２－２所示。??梯度下降，更新参数??大规！ＳＳｐ输＋隐丨隐丨输Ｓ??Ｉ繁一金ｉｆ富ｎ篇藐金１??１?ＬＵ性映性映ＬＵ性映ＬＵ?Ｉ数??射射射??反向传播?＜?＞?前馈传播??图２－２卷积神经网络训练流程??Ｆｉｇｕｒｅ．?２－２?ｔｒａｉｎｉｎｇ?ｆｌｏｗ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ｉ．卷积层??在ＣＮＮ中，卷积层的作用十分重要，多位于输入层之后，目的是学习图像深层次??特征。卷积层的内部参数包含一些能够自主学习的滤波器，对于输入图片的卷积操作??与滤波过程十分相近。滤波器在输入图像上通过滑动窗口的方式和图像内的部分区域??进行卷积，然后得到新的响应图。卷积层使用局部感知的特点对图像区域
【参考文献】：
期刊论文
[1]基于深度学习的视频跟踪研究进展综述[J]. 戴凤智,魏宝昌,欧阳育星,金霞. 计算机工程与应用. 2019(10)
[2]用于空中红外目标检测的增强单发多框检测器方法[J]. 谢江荣,李范鸣,卫红,李冰,邵保泰. 光学学报. 2019(06)
[3]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[4]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[5]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[6]基于深度学习的模拟电路故障诊断算法[J]. 易灵芝,肖伟红,于文新,王根平. 计算机工程与应用. 2018(24)
[7]基于深度学习的目标抗干扰跟踪算法[J]. 闵召阳,赵文杰. 红外技术. 2018(02)
[8]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[9]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[10]基于深度学习的监控视频树叶遮挡检测[J]. 邬美银,陈黎. 武汉科技大学学报. 2016(01)
硕士论文
[1]改进的SSD的目标检测研究[D]. 赵庆北.广西大学 2018
[2]基于深度学习的监控视频目标检测技术研究[D]. 锁雪萍.天津科技大学 2018
[3]基于深度学习的实时目标检测[D]. 熊恒昌.湖南大学 2018
[4]基于免疫卷积神经网络的深度学习研究[D]. 张广磊.东华大学 2016
[5]基于卷积神经网络的车牌识别技术研究[D]. 李达.湘潭大学 2016
[6]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[7]深度卷积神经网络在车牌和人脸检测领域的应用研究[D]. 张勇.郑州大学 2015
[8]基于卷积神经网络的行人检测与识别研究[D]. 徐忠成.华中师范大学 2015
[9]基于视频序列的运动目标检测与阴影抑制算法研究[D]. 盖琪琳.黑龙江大学 2015
[10]基于深度学习的目标跟踪及异常徘徊检测[D]. 钟俊洪.华南理工大学 2015
本文编号：3447802
【文章来源】：天津科技大学天津市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
图１－１人工视频监控??Ｆｉｇ．?１－１?Ａｒｔｉｆｉｃｉａｌ?ｖｉｄｅｏ?ｍｏｎｉｔｏｒｉｎｇ??
ｔｗｙ?▼?ｍｔａｔ＇??‘圈?翅…今??■丨ｉｎ．］……．．上…………．ｉｒ……．．．ｌｉｒ?，士‘翁⑷??ｕ?Ｉ?＊：｜??ｗ＾ｍ?ｙｆ?漏＾“＇ｕ邊?ｊ?ｒｅｓｐｏｎｓｅ?ｏ＃?ｐａｒｔ?ｆｉｂｅｒｓ??ｉ?；??ｌ?■國??Ｉ??｜????ｃｏｋｉｒ?ｅｎｃｃｃｆｅｉｇ?ｏｆ?ｆｉｌｔｅｒ?ｖ?Ｖ??ｒｅｓｐｏｎｓｅ?ｖａｌｕｅｓ??ｃｗｎｂｍｅｄ?ｓｃｏｒｅ?ｏｆ??ｌｏｗ?ｖａｌｕｅ?ｈｉｇｈ?ｖａｌｕｅ?ｒｏｏｔ?ｔｅｃａｔｋｍｓ??图１－２ＤＰＭ算法结构示意图［３１］??Ｆｉｇｕｒｅ．?１－２?ＤＰＭ?ａｌｇｏｒｉｔｈｍ?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ［３１］??１．２．２基于候选区域和ＣＮＮ特征相结合的目标检测算法??２０１２?年，ｋｒｉｚｈｅｖｓｋｙ?等［２５］提出基于深度卷积神经网络（ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ，??ＣＮＮ）的ＡｌｅｘＮｅｔ模型，在ＩｍａｇｅＮｅｔ大规模图像识别竞赛中分类任务的性能远超基??于传统视觉特征的方法，错误率仅为１５．３％，以低于第二名（错误率２６％）约１１个??百分点的极大优势，赢得了比赛的冠军，从而证明了将卷积神经网络应用在目标识别??中的有效性［３８］。??而在目标检测方面，Ｇｉｒｓｈｉｄ＃９］等人提出了基于卷积神经网络与候选区域相结合??的Ｒ－ＣＮＮ检测算法。Ｒ－ＣＮＮ从图像中提取出候选区域并将其变成一个固定的尺寸，??然后使用卷积神经网络对候选区域的深度特征进行提取，并提交给ＳＶＭ分类器用于??分类Ｗ。Ｒ－Ｃ＿使用卷积神经网络对图像的特征进行提取，而不是利用传统的手工设??计特征，因此在检测精度
?２深度学习理论介绍???２．３卷积神经网络??２．?３．?１卷积神经网络的结构??卷积神经网络（ＣＮＮ）是近些年流行起来并且具备高效识别能力的一类深度模型，??通常由多个卷积层、池化层以及全连接层构成，内部结构如图２－１所示。??输入层＃积｜化层全连接层??弊戾玲全离接层ｄｏｇ?（０．０１）??图２－１卷积神经网络结构图??ＦＩＧ．?２－１?ｓｔｒｕｃｔｕｒｅ?ｄｉａｇｒａｍ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??模型训练流程：数据集中的样本经过预处理后进入ＣＮＮ中开始训练，过程分为??前馈传播与反向传播两个阶段。样本由输入层通过非线性映射到达隐含层，再采取卷??积操作、池化运算提取目标深层次特征；接着，通过定义损失函数，算出预测值和标??签之间的误差，采用反向传播算法逐层反馈最后一层的误差值；最后，使用梯度下降??法更新每层参数。其流程图如图２－２所示。??梯度下降，更新参数??大规！ＳＳｐ输＋隐丨隐丨输Ｓ??Ｉ繁一金ｉｆ富ｎ篇藐金１??１?ＬＵ性映性映ＬＵ性映ＬＵ?Ｉ数??射射射??反向传播?＜?＞?前馈传播??图２－２卷积神经网络训练流程??Ｆｉｇｕｒｅ．?２－２?ｔｒａｉｎｉｎｇ?ｆｌｏｗ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??ｉ．卷积层??在ＣＮＮ中，卷积层的作用十分重要，多位于输入层之后，目的是学习图像深层次??特征。卷积层的内部参数包含一些能够自主学习的滤波器，对于输入图片的卷积操作??与滤波过程十分相近。滤波器在输入图像上通过滑动窗口的方式和图像内的部分区域??进行卷积，然后得到新的响应图。卷积层使用局部感知的特点对图像区域
【参考文献】：
期刊论文
[1]基于深度学习的视频跟踪研究进展综述[J]. 戴凤智,魏宝昌,欧阳育星,金霞. 计算机工程与应用. 2019(10)
[2]用于空中红外目标检测的增强单发多框检测器方法[J]. 谢江荣,李范鸣,卫红,李冰,邵保泰. 光学学报. 2019(06)
[3]基于改进SSD的行人检测方法[J]. 邢浩强,杜志岐,苏波. 计算机工程. 2018(11)
[4]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[5]基于改进SSD的轻量化小目标检测算法[J]. 吴天舒,张志佳,刘云鹏,裴文慧,陈红叶. 红外与激光工程. 2018(07)
[6]基于深度学习的模拟电路故障诊断算法[J]. 易灵芝,肖伟红,于文新,王根平. 计算机工程与应用. 2018(24)
[7]基于深度学习的目标抗干扰跟踪算法[J]. 闵召阳,赵文杰. 红外技术. 2018(02)
[8]基于深度学习的多视窗SSD目标检测方法[J]. 唐聪,凌永顺,郑科栋,杨星,郑超,杨华,金伟. 红外与激光工程. 2018(01)
[9]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[10]基于深度学习的监控视频树叶遮挡检测[J]. 邬美银,陈黎. 武汉科技大学学报. 2016(01)
硕士论文
[1]改进的SSD的目标检测研究[D]. 赵庆北.广西大学 2018
[2]基于深度学习的监控视频目标检测技术研究[D]. 锁雪萍.天津科技大学 2018
[3]基于深度学习的实时目标检测[D]. 熊恒昌.湖南大学 2018
[4]基于免疫卷积神经网络的深度学习研究[D]. 张广磊.东华大学 2016
[5]基于卷积神经网络的车牌识别技术研究[D]. 李达.湘潭大学 2016
[6]基于深度学习的车辆检测方法研究[D]. 张文桂.华南理工大学 2016
[7]深度卷积神经网络在车牌和人脸检测领域的应用研究[D]. 张勇.郑州大学 2015
[8]基于卷积神经网络的行人检测与识别研究[D]. 徐忠成.华中师范大学 2015
[9]基于视频序列的运动目标检测与阴影抑制算法研究[D]. 盖琪琳.黑龙江大学 2015
[10]基于深度学习的目标跟踪及异常徘徊检测[D]. 钟俊洪.华南理工大学 2015
本文编号：3447802
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3447802.html
