基于卷积神经网络的人体检测方法研究

发布时间：2018-01-24 05:41

  本文关键词： 人体检测 卷积神经网络 深度学习 随机Dropout　出处：《大连海事大学》2017年硕士论文　论文类型：学位论文

【摘要】：在计算机视觉领域中,人体检测是一个重要的研究课题。人体检测是指检测出图像中是否有人体目标的过程,其在人工智能、智能视频监控、智能车辆辅助、智能人机交互系统等现今的高科技领域中都有很高的应用价值。本文采用了一种基于卷积神经网络的人体检测方法。卷积神经网络是一种将深度学习理论结合到传统神经网络中的新兴模式识别方法。传统人体检测方法中,通常先人工提取特征,再将特征描述输入到一个分类器中进行训练学习。然而,人工提取特征的过程比较复杂,且依赖于具体任务,故要求研究者具有较高的学术水平且经验丰富。卷积神经网络不需要事先对图像人工提取特征,而是模拟人类的视觉神经系统,直接对原始图像进行逐层处理来进行识别。通过局部连接、权值共享和下采样的方式,该方法使网络中的参数大大减少,且对图像一定程度的形变有较好的鲁棒性。本文的主要工作如下:(1)在深入学习了卷积神经网络理论的基础上,分析了卷积神经网络的结构和算法思想,并根据卷积核、网络深度、特征维数等网络参数的不同,设计了若干网络模型。(2)将INRIA数据库作为训练样本,对上述网络模型进行实验,通过对比识别效果,分析上述相关参数对网络的影响,并选出性能最佳的网络模型,该网络训练10次开始收敛,识别率达到95.56%。(3)鉴于深度学习多使用大样本集,本文基于小样本集采用了一种改进的算法,引入随机Dropout,将一部分的神经节点随机数置零,保持其权值不更新。对改进的模型在INRIA子集和自建样本集上进行验证。实验证明,该方法可以在小样本情况下提高人体的识别率,有效缓解过拟合现象。
[Abstract]:In the field of computer vision, human detection is an important research topic. Human detection refers to the process of detecting whether there is a human object in the image, which is used in artificial intelligence, intelligent video surveillance and intelligent vehicle assistance. Intelligent human-computer interaction systems and other high-tech fields have high application value. In this paper, a human body detection method based on convolution neural network is adopted. Convolution neural network is a combination of depth learning theory. New pattern recognition methods in traditional neural networks. Usually, the feature is extracted manually, then the feature description is input into a classifier for training. However, the process of feature extraction is complex and dependent on specific tasks. Therefore, researchers are required to have a high academic level and rich experience. Convolution neural networks do not need to manually extract features from images, but simulate the visual nervous system of human beings. Through local connection, weight sharing and downsampling, the parameters in the network are greatly reduced. The main work of this paper is as follows: 1) on the basis of deeply studying the theory of convolution neural network, the structure and algorithm of convolution neural network are analyzed. According to the different network parameters such as convolution kernel, network depth and characteristic dimension, several network models are designed. (2) the INRIA database is used as the training sample, and the above network model is tested. By comparing the recognition effect, the influence of the above parameters on the network is analyzed, and the network model with the best performance is selected. The network training begins to converge 10 times. In view of the large sample set used in depth learning, this paper uses an improved algorithm based on small sample set to introduce random Dropout. A part of the neural nodes are set to zero and their weights are not updated. The improved model is verified on the INRIA subset and the self-built sample set. This method can improve the recognition rate of human body in the case of small sample, and effectively alleviate the phenomenon of overfitting.
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP183

【参考文献】

中国期刊全文数据库 前6条

1 陈雷;杨俊安;王龙;李晋徽;;连续语音识别中基于Dropout修正线性深度置信网络的声学模型[J];声学技术;2016年02期

2 姜枫;张丽红;;基于随机Dropout卷积神经网络的人体行为识别方法研究[J];测试技术学报;2016年01期

3 张静;桑红石;;基于初始尺度变换的SIFT匹配算法[J];红外与毫米波学报;2014年02期

4 孙志军;薛磊;许阳明;王正;;深度学习研究综述[J];计算机应用研究;2012年08期

5 傅卫平;秦川;刘佳;杨世强;王雯;;基于SIFT算法的图像目标匹配与定位[J];仪器仪表学报;2011年01期

6 黄茜;顾杰峰;杨文亮;;基于梯度向量直方图的行人检测[J];科学技术与工程;2009年13期

中国硕士学位论文全文数据库 前7条

1 吴正文;卷积神经网络在图像分类中的应用研究[D];电子科技大学;2015年

2 万维;基于深度学习的目标检测算法研究及应用[D];电子科技大学;2015年

3 黄咨;基于卷积神经网络的目标检测模型的研究[D];上海交通大学;2015年

4 陈益如;基于视觉的行人检测算法研究及系统设计[D];浙江大学;2014年

5 陈先昌;基于卷积神经网络的深度学习算法与应用研究[D];浙江工商大学;2014年

6 甘国龙;基于特征学习的人体检测[D];电子科技大学;2012年

7 苏松志;复杂背景下的行人检测技术研究[D];厦门大学;2008年

，

本文编号：1459306