基于卷积神经网络与AdaBoost算法的实时行人检测系统研究

发布时间：2021-01-18 04:03

　　作为目标检测领域的特定课题,行人检测主要研究如何快速准确地从图像或者视频中检测出行人目标,并得到其精确坐标。行人检测的应用广泛,在无人驾驶、智能监控、客流量统计、机器人视觉以及人体行为分析等领域都发挥着重要作用。但由于行人目标形状姿态多样,服饰装扮各异,在不同视角和光照条件下所表现出来的形态不尽相同,并且还可能存在遮挡等情况,致使行人检测任务极具挑战性。目前,相较于其他算法,使用卷积神经网络搭建的行人检测系统通常能够取得更高的检测精度,但对于复杂环境中的小尺寸行人目标,这类系统在检测精度上仍然有待提高。为此,本文在基于卷积神经网络的目标检测系统基础之上进行优化,提出了一种改进型行人检测系统。该系统优化了数据集的预处理过程,并借助一种改进型反馈损失计算方法优化了检测系统的分类网络。此外,针对小尺寸行人目标检测精度低的问题,在系统主体模型之外设计了两种复查子系统,一种使用HOG特征结合自适应增强学习算法,另一种用到了SSD目标检测框架。检测时,通过主系统获得大尺寸行人目标的精确坐标和小尺寸目标所在区域的建议,然后复查子系统实现对小尺寸行人目标的精确定位。改进后的行人检测系统旨在改善大尺寸行... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：88 页

【学位级别】：硕士

【部分图文】：

DPM算法生成的人体模型

9图 2.2 DPM 算法的检测原理图 0 00 0 0 0, 0 0 , 0 01score , , , + 2 ,nl i l iix y l R x y D x y v b 0 0,x y 表示主模型的得分， 0 0x ,y 为主模型左上角在特征图i v表示第 i 个子模型在特征图中的坐标，b 是各子模型间对齐分 i ,lD 可由公式(2.6)得到。 , ,,, max , ,i l i l i d x ydx dyD x y R x dx y dy d d d

度可分解卷积网络与传统卷积操作的计算量的比值可以通过公式(3.33)计算得2K K N N I I O M M1 1K K I O M M O K (3.3中K 为卷积核的大小， N 为输入矩阵的维度，I 为输入特征图的通道数，M 出矩阵的维度，O为输出特征图的通道数。使用深度可分解卷积网络结构搭建征提取网络的参数配置请见 5.2.3 节。3.4 仿真实验与结果分析.4.1 数据集本章使用 Dogs vs. Cats 数据集和 Cifar-10 数据集验证改进算法的有效性。①Dogs vs. Cats 数据集

【参考文献】：
期刊论文
[1]行人检测技术综述[J]. 苏松志,李绍滋,陈淑媛,蔡国榕,吴云东.  电子学报. 2012(04)



本文编号：2984237