基于微服务的智慧门店视觉感知系统的设计与实现
发布时间：2021-01-19 17:38
随着互联网信息时代的到来,以满足消费者需求和提升效率为核心的智慧门店逐渐兴起。在线下场景,如何充分利用视频图像信息来分析顾客兴趣点,挖掘潜在价值,指导商品企划,成为商家越来越关注的问题。目前,计算机视觉技术飞速发展,以目标检测技术与属性识别技术为核心的视觉感知系统能够从监控视频信息中检测到顾客并识别出基本的属性特征,为商家制定后续服务策略提供帮助。然而,视觉感知系统仍然存在一些问题亟待解决:（1）商场超市等复杂场景下的监控视频质量会受到采光因素的影响,从而对后续的检测与识别造成干扰;（2）目标检测算法在保证实时性的同时要满足检测精度的需求;（3）属性识别算法的识别结果需要尽可能准确;（4）基于深度学习的目标检测与属性识别技术在不同场景下的检测与识别表现会有所差异。针对以上问题,本文的主要工作和研究内容如下。（1）阐述本文的研究意义,介绍目标检测与属性识别技术的研究现状以及本文系统的相关技术原理。（2）对比当前的暗光增强技术,根据智慧门店场景需求,设计了基于抛物线函数增亮的暗光增强方法,在保证实时性的同时暗光增强效果良好。（3）对比现有的检测算法,根据YOLOv3算法在检测小目标方面表现...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１．１?Ｒ－ＣＮＮ算法检测过程??２??
ＮＮ网络共享卷积层，以减少整个网络的运算??时间，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法检测一张图片耗时大约〇．２ｓ，接近实时检测的速度。??２０１６年，Ｊｏｓｅｐｈ等人提出ＹＯＬＯ算法［２６！，把目标检测问题看做包含分类信??息的空间位置回归问题，为目标检测开辟了新思路。ＹＯＬＯ算法使用端到端的设??计，相较于Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法，ＹＯＬＯ算法对整幅图片进行卷积，使用图片的??全局信息，对图像中的目标位置及类别做出预测，Ｙ〇Ｌ〇算法结构更为简单，检??测速度更快。ＹＯＬＯ的网络结构如图１．２所示。??３?＼Ｔｔ￣?￣２５６￣?Ｓ１Ｚ?１０３４?１０２４?ＷＷ?４０９６?３０??Ｃｏｎｖ．?Ｌｏｙｖｒ?Ｃｏｎｖ．?Ｌａｙｗ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｖ．?Ｌｏｙ？ｎ?Ｃｏｎｖ．?Ｌｏｙａｒｊ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｎ．?Ｌｏｙ？ｆ?Ｇ＞ｎｎ．?Ｌａｙｅｒ??７ｘ７ｘ６４－ｖ２?３ｘ３ｘ１９２?１ｘ１ｘ１２８?１ｘ１ｘ２５６－｝?ｘ４?Ｊｘｌｘ５１２?｜ｘ２?３ｘ３ｘ１０２４??Ｍａｘｐｏｏｌ?Ｌａｙｏｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?３ｘ３ｘ２５６?３ｘ３ｘ５１２?ｉ?３ｘ３ｘ１０２４?ｉ?３ｘ３ｘ１０２＾??２ｘ２＋２?２＊２＋２?１ｘ１ｘ２５６?１ｘ１ｘ５１２?３ｘ３ｘ１０２４??３ｘ３ｘ５１２?３ｘ３ｘ１０２４?３ｘ３ｘ１０２４＾－２??Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ??２＊２ｖｖ２?２ｘ２＋２??图１．２?ＹＯＬＯ网络结构??随后，Ｊｏｓｅｐｈ等人对ＹＯＬＯ算法进行改进，提出ＹＯＬＯＷＯＯ算法＿，该算??法步骤复杂，实现难度大。２０１６年，
算法设计了一种区域建议网络ＲＰＮ来生成Ｒｅ§ｉｏｎ??Ｐｒｏｐｏｓａｌ，提升了检测的效率。??Ｆａｓｔｅｒ－ＲＣＮＮ算法设计的ＲＰＮ以卷积特征图为输入，生成的Ｐｒｏｐｏｓａｌ为输??出。其中，ＲＰＮ网络和卷积神经网络共享Ｆｅａｔｕｒｅ?ｍａｐ，在中心设置ａｎｃｈｏｒ生成??ｎｘｎ的滑窗，通过滑窗使得预设的ａｎｃｈｏｒ?ｂｏｘ映射到原图，从而获取候选区域。??文献［丨０］中设置了?３种不同尺度的ａｎｃｈｏｒ?ｂｏｘ，每个滑窗提取９个Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌ。??ＲＰＮ网络示意图如图２．５所示。??｛?］?ａｎｃｈｏｒ?ｂｏｘｅｓ??／：：§??＼?＼?＼＞＼?＼?ＸＨ；’’??＼＼＼＼ｕ??Ｆｅａｔｕｒｅ?＼?＼＾?＼?＼?？??ｓｌ＾ｎ＾ｉｎ３９ｗ＼?＼?＼?？??＼＼＼＼＼＼＼??图２．５?ＲＰＮ网络示意图??ＲＰＮ网络取代了?Ｓｅｌｅｃｔｉｖｅ?Ｓｅａｒｃｈ与Ｅｄｇｅ?Ｂｏｘｅｓ等区域选择方法，因为与卷??积神经网络共享Ｆｅａｔｕｒｅ?ｍａｐ，所以在检测速度方面有了很大的提升。可以将??Ｆａｓｔｅｒ－ＲＣＮＮ算法看做是ＲＰＮ网络与Ｆａｓｔ－ＲＣＮＮ算法的结合，两者共享Ｆｅａｔｕｒｅ??ｍａｐ，ＲＰＮ?网络生成?Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌｓ，Ｆａｓｔ－ＲＣＮＮ?网络进行分类。Ｆａｓｔｅｒ－ＲＣＮＮ??１３??
【参考文献】：
期刊论文
[1]新零售智慧门店OMO创新模式研究[J]. 时应峰,张洪. 商业经济研究. 2018(13)
[2]“新零售”的概念、研究框架与发展趋势[J]. 鄢章华,刘蕾. 中国流通经济. 2017(10)
[3]图像增强算法综述[J]. 王浩,张叶,沈宏海,张景忠. 中国光学. 2017(04)
[4]新零售的产生与演进[J]. 徐印州,林梨奎. 商业经济研究. 2017(15)
[5]“新零售”的含义、模式及发展路径[J]. 赵树梅,徐晓红. 中国流通经济. 2017(05)
[6]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)
[7]一种颜色保持的彩色图像增强新算法[J]. 赵全友,潘保昌,郑胜林,战荫伟. 计算机应用. 2008(02)
[8]Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响[J]. 江兴方,陶纯堪. 光学技术. 2007(01)
本文编号：2987420
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
图１．１?Ｒ－ＣＮＮ算法检测过程??２??
ＮＮ网络共享卷积层，以减少整个网络的运算??时间，Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法检测一张图片耗时大约〇．２ｓ，接近实时检测的速度。??２０１６年，Ｊｏｓｅｐｈ等人提出ＹＯＬＯ算法［２６！，把目标检测问题看做包含分类信??息的空间位置回归问题，为目标检测开辟了新思路。ＹＯＬＯ算法使用端到端的设??计，相较于Ｆａｓｔｅｒ?Ｒ－ＣＮＮ算法，ＹＯＬＯ算法对整幅图片进行卷积，使用图片的??全局信息，对图像中的目标位置及类别做出预测，Ｙ〇Ｌ〇算法结构更为简单，检??测速度更快。ＹＯＬＯ的网络结构如图１．２所示。??３?＼Ｔｔ￣?￣２５６￣?Ｓ１Ｚ?１０３４?１０２４?ＷＷ?４０９６?３０??Ｃｏｎｖ．?Ｌｏｙｖｒ?Ｃｏｎｖ．?Ｌａｙｗ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｖ．?Ｌｏｙ？ｎ?Ｃｏｎｖ．?Ｌｏｙａｒｊ?Ｃｏｎｖ．?Ｌａｙ？ｒ？?Ｃｏｎｎ．?Ｌｏｙ？ｆ?Ｇ＞ｎｎ．?Ｌａｙｅｒ??７ｘ７ｘ６４－ｖ２?３ｘ３ｘ１９２?１ｘ１ｘ１２８?１ｘ１ｘ２５６－｝?ｘ４?Ｊｘｌｘ５１２?｜ｘ２?３ｘ３ｘ１０２４??Ｍａｘｐｏｏｌ?Ｌａｙｏｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?３ｘ３ｘ２５６?３ｘ３ｘ５１２?ｉ?３ｘ３ｘ１０２４?ｉ?３ｘ３ｘ１０２＾??２ｘ２＋２?２＊２＋２?１ｘ１ｘ２５６?１ｘ１ｘ５１２?３ｘ３ｘ１０２４??３ｘ３ｘ５１２?３ｘ３ｘ１０２４?３ｘ３ｘ１０２４＾－２??Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ?Ｍｏｘｐｏｏｌ?Ｌａｙｅｒ??２＊２ｖｖ２?２ｘ２＋２??图１．２?ＹＯＬＯ网络结构??随后，Ｊｏｓｅｐｈ等人对ＹＯＬＯ算法进行改进，提出ＹＯＬＯＷＯＯ算法＿，该算??法步骤复杂，实现难度大。２０１６年，
算法设计了一种区域建议网络ＲＰＮ来生成Ｒｅ§ｉｏｎ??Ｐｒｏｐｏｓａｌ，提升了检测的效率。??Ｆａｓｔｅｒ－ＲＣＮＮ算法设计的ＲＰＮ以卷积特征图为输入，生成的Ｐｒｏｐｏｓａｌ为输??出。其中，ＲＰＮ网络和卷积神经网络共享Ｆｅａｔｕｒｅ?ｍａｐ，在中心设置ａｎｃｈｏｒ生成??ｎｘｎ的滑窗，通过滑窗使得预设的ａｎｃｈｏｒ?ｂｏｘ映射到原图，从而获取候选区域。??文献［丨０］中设置了?３种不同尺度的ａｎｃｈｏｒ?ｂｏｘ，每个滑窗提取９个Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌ。??ＲＰＮ网络示意图如图２．５所示。??｛?］?ａｎｃｈｏｒ?ｂｏｘｅｓ??／：：§??＼?＼?＼＞＼?＼?ＸＨ；’’??＼＼＼＼ｕ??Ｆｅａｔｕｒｅ?＼?＼＾?＼?＼?？??ｓｌ＾ｎ＾ｉｎ３９ｗ＼?＼?＼?？??＼＼＼＼＼＼＼??图２．５?ＲＰＮ网络示意图??ＲＰＮ网络取代了?Ｓｅｌｅｃｔｉｖｅ?Ｓｅａｒｃｈ与Ｅｄｇｅ?Ｂｏｘｅｓ等区域选择方法，因为与卷??积神经网络共享Ｆｅａｔｕｒｅ?ｍａｐ，所以在检测速度方面有了很大的提升。可以将??Ｆａｓｔｅｒ－ＲＣＮＮ算法看做是ＲＰＮ网络与Ｆａｓｔ－ＲＣＮＮ算法的结合，两者共享Ｆｅａｔｕｒｅ??ｍａｐ，ＲＰＮ?网络生成?Ｒｅｇｉｏｎ?ｐｒｏｐｏｓａｌｓ，Ｆａｓｔ－ＲＣＮＮ?网络进行分类。Ｆａｓｔｅｒ－ＲＣＮＮ??１３??
【参考文献】：
期刊论文
[1]新零售智慧门店OMO创新模式研究[J]. 时应峰,张洪. 商业经济研究. 2018(13)
[2]“新零售”的概念、研究框架与发展趋势[J]. 鄢章华,刘蕾. 中国流通经济. 2017(10)
[3]图像增强算法综述[J]. 王浩,张叶,沈宏海,张景忠. 中国光学. 2017(04)
[4]新零售的产生与演进[J]. 徐印州,林梨奎. 商业经济研究. 2017(15)
[5]“新零售”的含义、模式及发展路径[J]. 赵树梅,徐晓红. 中国流通经济. 2017(05)
[6]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)
[7]一种颜色保持的彩色图像增强新算法[J]. 赵全友,潘保昌,郑胜林,战荫伟. 计算机应用. 2008(02)
[8]Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响[J]. 江兴方,陶纯堪. 光学技术. 2007(01)
本文编号：2987420
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2987420.html
