基于图像增强与深度网络的行人检测方法研究
发布时间：2021-01-04 12:17
随着轨道交通网络的快速发展,科学有效的管理城市公共交通对于维护公共秩序与规划交通运营有着重要意义。实时准确的客流监控成为决策规划的重要依据,其中基于深度网络模型的行人检测是客流监控系统的关键技术。深度学习方法从大量样本中学习特征,对样本的数量和质量有较高的依赖性,实际检测问题收集到的样本时常会出现数量不足与图像质量不佳等问题。同时深度卷积神经网络通常采用增加网络层数的方法提升学习能力,导致模型参数量多,时间复杂度高影响实时检测性能。本文针对地铁客流图像中的行人检测技术展开研究。首先,本文提出采用场景迁移方法对地铁行人检测样本进行数据增广。该方法基于对真实照片迁移效果较好的Fast Photo Style风格迁移网络提取内容图像与风格图像的特征,得到具有风格图片样式与内容图片内容的新样本,并对风格化结果进行平滑减少失真。该方法能够实现在样本较少时基于新场景迁移得到逼真的新样本,同时能够保持检测目标的形状与位置不变,不需要重新进行检测标签的标注,实现对检测样本的数据增广。其次,本文提出了一种将暗通道去雾算法与自适应色彩均衡算法联合的图像增强算法。采用暗通道去雾算法能够有效改善地铁行人样本所...
【文章来源】：北方工业大学北京市
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
人工客流监控系统
第一章绪论1第一章绪论1.1研究背景与意义随着轨道交通网络的逐渐扩大，客流量逐渐攀高，大客流冲击下安全问题上升到极其重要的位置。地铁系统中客流高度密集，相对封闭，存在较多安全隐患。高效的监控系统是科学防范与应对地铁群体性突发事件的基础与前提。近年来，随着硬件设备性能的提升与图像处理技术的发展，视频监控系统应用日益广泛。在商场安放客流监控系统能够帮助经营者更好的统计与分析顾客流量，制定合理的经营策略；在地铁站车站等场所安装客流监控设备能够帮助管理者实时掌握人群滞留与空间分布状况，从而及时有效的处理异常事件，合理调度公共资源[1]。但轨道交通现有的监控系统大多以录像、存储视频为主，地铁客流监控仍然依靠较为原始的、人工繁重的、高强度的不间断查看监视器来实现，随着轨道交通网络规模的不断扩大以及海量视频数据的产生，传统客流监控系统依赖于人工监控的方法获取信息效率较低，无法对客流状态进行自动识别与判断，不能实现自动预警危险事件，因而无法满足城市轨道交通快速发展的运营管理需求[2]。图1-1为人工客流监控系统示例，图1-2为智能客流监控系统界面示例。图1-1人工客流监控系统图1-2智能客流监控系统立足于地铁运营现状建立一套能够自动进行客流检测与分析的监控设备是十分必要的，而基于监控视频进行准确有效的智能化行人检测是后期人群分布估计、安全事故防控、公共资源统筹的基础环节[3]。基于深度学习进行行人检测是目前国内外研究广泛同时效果较好的一类检测方法。2018年阿里巴巴人工智能
第二章基于场景迁移的地铁行人检测样本数据增广12行风格转换的区域，标签值为“0”,将行人以外物体与图片边框进行闭合框选标注，标签名命名为“background”，标签值为“1”为需要进行风格迁移的区域。内容图像与风格图像的对应物体采用相同标签对应标注，用于后续样式迁移。图2-3语义标签标注界面图2-4标注完成后语义标签示例图2-3为标注界面，标注完成后得到的标签格式为.json格式，将该格式标签进行转换，最终得到如图2-4所示png格式的标签，即内容图像的分割掩膜。本文实验环境说明如表2-1所示，地铁行人样本场景信息说明如表2-2所示。表2-1本文实验环境说明硬件设备NVIDIATitanGPU服务器软件环境Ubuntu16.04系统,CUDA9.1,tensorflow环境，darknet环境编程环境Anaconda集成的python3语义信息标注工具Labelme特征提取模型权重文件VGG-19.npy表2-2地铁场景信息示例场景视频名称客流密集程度摄像头高度大望路楼梯通道d1_0000密集2.859米换乘走廊d4_0015密集2.907米上下楼梯口y3_0017适中2.910米售票机y5_0034较少2.907米FastPhotoStyle整体实验流程如图2-5所示。输入一组内容图片、风格图片以
【参考文献】：
期刊论文
[1]基于暗通道去雾和深度学习的行人检测方法[J]. 田青,袁曈阳,杨丹,魏运. 激光与光电子学进展. 2018(11)
硕士论文
[1]基于深度学习的监控视频分析与事件检测[D]. 曹鑫坤.北京邮电大学 2019
[2]基于深度学习的智能人数统计技术研究与系统设计[D]. 包灵.电子科技大学 2018
[3]基于深度学习的行人检测技术的研究[D]. 张江琦.北京邮电大学 2018
[4]出入口人数统计系统的设计与实现[D]. 赖勇.电子科技大学 2010
本文编号：2956750
【文章来源】：北方工业大学北京市
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
人工客流监控系统
第一章绪论1第一章绪论1.1研究背景与意义随着轨道交通网络的逐渐扩大，客流量逐渐攀高，大客流冲击下安全问题上升到极其重要的位置。地铁系统中客流高度密集，相对封闭，存在较多安全隐患。高效的监控系统是科学防范与应对地铁群体性突发事件的基础与前提。近年来，随着硬件设备性能的提升与图像处理技术的发展，视频监控系统应用日益广泛。在商场安放客流监控系统能够帮助经营者更好的统计与分析顾客流量，制定合理的经营策略；在地铁站车站等场所安装客流监控设备能够帮助管理者实时掌握人群滞留与空间分布状况，从而及时有效的处理异常事件，合理调度公共资源[1]。但轨道交通现有的监控系统大多以录像、存储视频为主，地铁客流监控仍然依靠较为原始的、人工繁重的、高强度的不间断查看监视器来实现，随着轨道交通网络规模的不断扩大以及海量视频数据的产生，传统客流监控系统依赖于人工监控的方法获取信息效率较低，无法对客流状态进行自动识别与判断，不能实现自动预警危险事件，因而无法满足城市轨道交通快速发展的运营管理需求[2]。图1-1为人工客流监控系统示例，图1-2为智能客流监控系统界面示例。图1-1人工客流监控系统图1-2智能客流监控系统立足于地铁运营现状建立一套能够自动进行客流检测与分析的监控设备是十分必要的，而基于监控视频进行准确有效的智能化行人检测是后期人群分布估计、安全事故防控、公共资源统筹的基础环节[3]。基于深度学习进行行人检测是目前国内外研究广泛同时效果较好的一类检测方法。2018年阿里巴巴人工智能
第二章基于场景迁移的地铁行人检测样本数据增广12行风格转换的区域，标签值为“0”,将行人以外物体与图片边框进行闭合框选标注，标签名命名为“background”，标签值为“1”为需要进行风格迁移的区域。内容图像与风格图像的对应物体采用相同标签对应标注，用于后续样式迁移。图2-3语义标签标注界面图2-4标注完成后语义标签示例图2-3为标注界面，标注完成后得到的标签格式为.json格式，将该格式标签进行转换，最终得到如图2-4所示png格式的标签，即内容图像的分割掩膜。本文实验环境说明如表2-1所示，地铁行人样本场景信息说明如表2-2所示。表2-1本文实验环境说明硬件设备NVIDIATitanGPU服务器软件环境Ubuntu16.04系统,CUDA9.1,tensorflow环境，darknet环境编程环境Anaconda集成的python3语义信息标注工具Labelme特征提取模型权重文件VGG-19.npy表2-2地铁场景信息示例场景视频名称客流密集程度摄像头高度大望路楼梯通道d1_0000密集2.859米换乘走廊d4_0015密集2.907米上下楼梯口y3_0017适中2.910米售票机y5_0034较少2.907米FastPhotoStyle整体实验流程如图2-5所示。输入一组内容图片、风格图片以
【参考文献】：
期刊论文
[1]基于暗通道去雾和深度学习的行人检测方法[J]. 田青,袁曈阳,杨丹,魏运. 激光与光电子学进展. 2018(11)
硕士论文
[1]基于深度学习的监控视频分析与事件检测[D]. 曹鑫坤.北京邮电大学 2019
[2]基于深度学习的智能人数统计技术研究与系统设计[D]. 包灵.电子科技大学 2018
[3]基于深度学习的行人检测技术的研究[D]. 张江琦.北京邮电大学 2018
[4]出入口人数统计系统的设计与实现[D]. 赖勇.电子科技大学 2010
本文编号：2956750
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2956750.html
最近更新
教材专著
