基于深度学习的行人检测与行人再识别技术研究及应用

发布时间：2021-02-20 22:27

　　行人再识别是指以存在非重叠视域的多摄像机网络所采集的视频为输入,利用计算机视觉技术进行行人匹配的技术,即以算法自动确认不同位置的摄像机在不同时刻拍摄到的行人目标是否为同一人。行人再识别在公共安全和刑侦工作以及图像检索等场景中有很高的应用价值,具有很重要的研究意义。行人再识别以行人检测为基础,通过行人检测获得图像中的行人位置。本文主要研究了基于RetinaNet的行人检测算法和Meta-SR结合身份识别嵌入网络的行人再识别两个方面的内容。（1）速度和精度不可兼得的局面一直是目标检测任务的瓶颈。Yolo等单阶段检测方法检测速度很快,但存在检测精度不高、召回率低以及对小目标检测效果不好的问题;Faster R-CNN等两阶段方法能解决单阶段检测方法检测精度不高和小目标检测效果不好的问题,但检测速度较慢。RetinaNet研究了单阶段检测器精度不如两阶段检测器的主要原因在于单阶段检测器存在严重的“类别不平衡”问题,导致分类器训练容易失败,并针对性地提出焦点损失函数来解决由过量背景而引起的“类别不平衡”问题。本文以RetinaNet为基础,针对行人检测的应用特点,进行了如下三个方面的改进:1)改... 

【文章来源】：浙江工商大学浙江省

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 目标检测
        1.2.2 行人检测
        1.2.3 行人再识别
    1.3 行人检测和行人再识别的难点
    1.4 本文组织结构和主要创新点
    1.5 本章小结
第2章 卷积神经网络概述
    2.1 引言
    2.2 卷积神经网络的基本结构
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 激活层
        2.2.4 全连接层
    2.3 网络的训练
        2.3.1 网络参数的初始化
        2.3.2 网络参数的训练
    2.4 本章小结
第3章 基于RetinaNet模型的改进行人检测算法
    3.1 引言
    3.2 RetinaNet目标检测算法
        3.2.1 网络结构
        3.2.2 损失函数
        3.2.3 Anchor机制
    3.3 改进的RetinaNet行人检测算法
        3.3.1 改变特征提取方式
        3.3.2 增加通道注意力模块
        3.3.3 针对性设计预选框
    3.4 实验设计及结果评估
        3.4.1 数据集
        3.4.2 评价指标
        3.4.3 实验过程
        3.4.4 实验结果及分析
    3.5 本章总结
第4章 基于超分辨技术的行人再识别方法研究
    4.1 引言
    4.2 基于深度学习的图像超分辨率算法Meta-SR
    4.3 Meta-SR结合身份识别嵌入网络的行人再识别
    4.4 实验设计及结果评估
        4.4.1 数据集
        4.4.2 评价标准
        4.4.3 实验过程
        4.4.4 实验结果及分析
    4.5 本章小结
第5章 行人检测与再识别系统的设计与应用
    5.1 引言
    5.2 系统概述
    5.3 系统实现步骤与功能分析
        5.3.1 系统的实现步骤
        5.3.2 图像的获取
        5.3.3 系统的实际应用
    5.4 系统的优缺点分析与改进方案
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
附录
致谢


【参考文献】：
期刊论文
[1]单目移动拍摄下基于人体部位的行人检测[J]. 田广,戚飞虎,朱文佳,毛欣,陈磐君.  系统仿真学报. 2006(10)



本文编号：3043433