基于双人体可变形部件模型的深层人体检测

发布时间：2017-09-25 15:34

  本文关键词：基于双人体可变形部件模型的深层人体检测

  更多相关文章： 多人体检测 可变形部件模型 深层模型

【摘要】：人体检测在智能辅助驾驶系统和智能监控系统等方面有着广泛的应用前景,已逐渐成为计算机视觉和人工智能等领域重要的研究内容。目前,人体检测技术仍然存在很大的提升空间,本课题的目的是要对目前人体检测算法存在的两个主要问题进行研究并改进,一是在检测靠得很近或相互遮挡的多人体目标时容易出现漏检,二是如何提取更完善的人体特征。本课题在详细分析可变形部件模型(Deformable Part Model, DPM)的基础上,提出了基于双人体可变形部件模型的人体检测算法,该算法采用对图像分区域匹配和对匹配结果融合的方法来减少多人体检测的漏检情况。随后对深层模型(Deep Model)进行深入研究,并提出基于双人体深层模型的人体检测算法,该算法通过对基于双人体可变形部件模型的人体检测算法返回的窗口和在输入图像上滑动扫描生成的窗口组成的混合窗口进行确认来减少误检情况。这种将双人体可变形部件模型和双人体深层模型相结合的创新性研究,实现了在充分利用各自优点的同时弥补了各自的缺点。从实验结果可以看出,双人体可变形部件模型在一定程度上降低了漏检率,而双人体深层模型进一步降低了误检率,二者的结合在保证检测效率的同时提高了检测效果,确保了整体算法的有效性,证明算法达到了本课题预期的检测效果。
【关键词】：多人体检测 可变形部件模型 深层模型
【学位授予单位】：大连海事大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 第1章 绪论9-17
• 1.1 课题研究背景及意义9-10
• 1.2 国内外研究发展现状10-13
• 1.2.1 基于底层的特征提取10-12
• 1.2.2 基于组合特征的特征提取12
• 1.2.3 基于深度学习的特征提取12-13
• 1.3 现阶段存在的问题13-14
• 1.4 本文主要工作及安排14-17
• 1.4.1 主要工作内容14-15
• 1.4.2 本文组织结构15-17
• 第2章 可变形部件模型和深层模型的基本原理17-30
• 2.1 人体检测算法流程17
• 2.2 可变形部件模型及人体检测17-23
• 2.2.1 检测算法概述17-19
• 2.2.2 可变形部件模型19-20
• 2.2.3 负样本难例20-21
• 2.2.4 模型训练过程21-22
• 2.2.5 模型匹配过程22-23
• 2.3 深层模型及人体检测23-28
• 2.3.1 检测算法概述23-24
• 2.3.2 深层模型24-27
• 2.3.3 模型训练及匹配过程27-28
• 2.4 模型在人体检测中的应用28-30
• 第3章 图像样本预处理及评价方法30-37
• 3.1 图像数据库简介30-32
• 3.1.1 INRIA数据库30-31
• 3.1.2 Caltech-USA数据库31-32
• 3.2 数据库预处理32-34
• 3.2.1 单人体训练集32-33
• 3.2.2 双人体训练集33-34
• 3.3 评价方法34-36
• 3.3.1 混淆矩阵34-35
• 3.3.2 ROC曲线35
• 3.3.3 DET曲线35-36
• 3.4 本章小结36-37
• 第4章 基于双人体可变形部件模型的人体检测算法37-48
• 4.1 检测算法概述37-38
• 4.2 模型训练38-41
• 4.2.1 特征金字塔尺度38-39
• 4.2.2 结果分析39-41
• 4.3 模型匹配及融合41-43
• 4.3.1 模型匹配41-42
• 4.3.2 分区域匹配结果融合42-43
• 4.4 实验结果与分析43-46
• 4.4.1 阈值调节实验44
• 4.4.2 算法对比实验44-46
• 4.5 本章小结46-48
• 第5章 基于双人体深层模型的人体检测算法48-57
• 5.1 检测算法概述48-49
• 5.2 模型训练49-51
• 5.2.1 图像预处理49-50
• 5.2.2 双人体拆分及部件组合50-51
• 5.2.3 卷积神经网络结构51
• 5.3 检测窗口的确认与判别51-53
• 5.3.1 窗口组成51-52
• 5.3.2 窗口确认52-53
• 5.4 实验结果与分析53-56
• 5.4.1 阈值调节实验53-54
• 5.4.2 算法对比实验54-56
• 5.5 本章小结56-57
• 第6章 总结与展望57-59
• 6.1 总结57
• 6.2 展望57-59
• 参考文献59-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 丁建浩;耿卫东;王毅刚;;基于多部位多示例学习的人体检测[J];模式识别与人工智能;2012年05期

2 王敏;赵娜娜;刘忠杰;黄榜;宋小波;朱擎飞;;视频中的人体检测算法[J];自动化博览;2013年02期

3 孙宏国;李天然;蒲宝明;张全发;王慧静;;复杂背景下人体检测算法[J];计算机系统应用;2013年04期

4 潘锋,王宣银;基于支持向量机的复杂背景下的人体检测[J];中国图象图形学报;2005年02期

5 吕治国;徐昕;贺汉根;;基于可变模板和支持向量机的人体检测[J];计算机应用;2007年09期

6 汤一平;李雯;;基于全方位视觉的快速实时人体检测[J];浙江工业大学学报;2008年04期

7 方明;;一种基于图像的人体检测方法[J];科技资讯;2009年27期

8 贾棋;郭禾;宫宇;;一种实用的运动人体检测与阴影消除方法[J];系统仿真学报;2009年S2期

9 苏海明;;基于头部特征的人体检测[J];信息与电脑(理论版);2010年03期

10 黄永鑫;;运动人体检测的关键技术研究[J];硅谷;2010年17期

中国重要会议论文全文数据库 前4条

1 孙庆杰;;基于颜色量化的人体检测[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

2 龚华;李继云;;运动人体检测算法比较研究[A];第十四届全国图象图形学学术会议论文集[C];2008年

3 顾爽;陈启军;;基于边缘类型比率特征的人体检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

4 陈亚菲;张宝昌;;基于L2-norm最小化的人体检测[A];第八届全国信息获取与处理学术会议论文集[C];2010年

中国重要报纸全文数据库 前3条

1 成都 胥绍禹 编译;人体检测夜间自动照明灯[N];电子报;2007年

2 刘文静;测头发可知健康状况[N];新华每日电讯;2003年

3 刘文静;只需剪一缕头发 就测出健康状况[N];新华每日电讯;2004年

中国博士学位论文全文数据库 前9条

1 林逸峰;基于计算机视觉的人体检测和人脸识别[D];吉林大学;2012年

2 刘亚洲;基于时空分析和多粒度特征表示的人体检测方法研究[D];哈尔滨工业大学;2009年

3 丁建浩;基于单目视觉的人体检测和运动恢复[D];浙江大学;2013年

4 李春明;视频图像中的运动人体检测和人脸识别[D];西安电子科技大学;2005年

5 倪洪印;基于视频的人体检测与目标跟踪方法研究[D];吉林大学;2014年

6 于海滨;基于头部特征提取的人体检测与跟踪及其应用[D];浙江大学;2007年

7 叶青;无标记人体运动捕捉技术的研究[D];北京邮电大学;2014年

8 Nasir Saleem（萨里姆）;视频监控中的人体分割、识别与跟踪[D];北京邮电大学;2013年

9 郭星;大屏幕人机互动中若干关键技术研究[D];安徽大学;2013年

中国硕士学位论文全文数据库 前10条

1 姚河花;基于梯度方向直方图的人体检测算法的改进[D];电子科技大学;2014年

2 翟渊;基于电子巡考系统的缺考、代考预警研究[D];复旦大学;2013年

3 吴亚顺;基于视频序列的运动人体检测和跟踪[D];西华大学;2015年

4 常峰;基于多特征和级联分类器的人体检测算法[D];合肥工业大学;2014年

5 张宗楠;基于嵌入式系统的人体跟踪方法研究与实现[D];重庆大学;2015年

6 万雪飞;基于双人体可变形部件模型的深层人体检测[D];大连海事大学;2016年

7 崔新毅;视频序列中的人体检测方法研究[D];哈尔滨工业大学;2007年

8 甘国龙;基于特征学习的人体检测[D];电子科技大学;2012年

9 邵春艳;基于空间上下文的人体检测算法研究[D];哈尔滨工程大学;2012年

10 孙迪;基于结构输出回归的人体检测[D];哈尔滨工程大学;2013年

，

本文编号：918157