基于改进端到端深度学习框架的行人检测算法研究

发布时间：2021-04-02 14:55

　　随着地铁在各大中型城市的发展,它逐渐成为了城市运输的中坚力量。而这对城市的交通管理,地铁调度,运输资源的分配,以及城市的公共安全等提出了更高的要求,在此背景下,地铁的客流检测和统计就成为了提供数据支撑的关键技术。而行人检测又是客流检测等的基础关键性技术。随着计算力的发展,目前基于深度学习的目标检测算法已经较为成熟,当下流行的目标检测网络为了兼顾更多种类的场景和目标,网络层数普遍较深。而本文中的行人检测属于单目标检测,所用到的头肩样本特征也较为简单,此时深层网络则并不完全适用,会出现较大的计算冗余,导致在检测方面检测速度较慢。且在地铁行人检测中其单个目标在画面中占比较小,场景中行人密集场景较多,存在行人遮挡现象,这也会导致普通的网络框架表现力下降,出现漏检问题。经过实验表明,经过针对性改进的端到端深度学习框架在保证检测精度的情况下,能够有效提升检测速度。本文研究了地铁环境下基于端到端深度学习框架的行人检测算法。主要针对目前行人检测中由于网络冗余造成的检测速度较慢的问题,和由遮挡造成的漏检情况,对已有的典型端到端深度学习框架YOLOv3进行精简优化。具体工作的内容如下:1.针对本任务中的背... 

【文章来源】：北方工业大学北京市

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

FasterR-CNN网络结构示意图

第二章基于端到端深度学习框架的目标检测理论基础11图2-1FasterR-CNN网络结构示意图图2-2R-FCN网络结构示意图2.端到端目标检测框架端到端目标检测算法无需提前生成候选区域，而是通过大小和长宽比不同的锚框，对特征提取部分的卷积神经网络中产生的特征图上的每个区域进行密集采样。这样就可以省略感兴趣区域选择阶段，直接生成预测框的位置和分类情况。目前应用较多的网络为YOLO网络系列和SSD网络系列，SSD网络经典结构如图2-3所示。YOLOv3目标检测网络是目前在工业界表现最为优秀且最稳定的网络框架，本文主要对YOLOv3网络进行改进和优化，下文将主要介绍YOLO系列的算法。

第二章基于端到端深度学习框架的目标检测理论基础13图2-4YOLOv1的检测流程示意图置信度的计算公式如下truthpredConfidence=Pr(Object)IOU(2-1)其中，Pr(Object)代表是否含有目标，不含为0，包含目标则为1，而IOU表示真实框与预测框的面积的交并比，计算示意图如图2-5所示。计算方式如下：()()truthpredareaABIOUareaAB=(2-2)图2-5IUO计算示意图在每个单元的预测框的预测中，包含预测框中心点的坐标(x,y)，预测框的宽和高(w,h)以及它的置信度(confidence)。除此之外，每个单元还需要预测C类目标的类别概率，即Pr(Class|Objec)，每个单元最后只生成一个预测框的类别概率。而在检测过程中，每个栅格检测结果的计算公式如下：

【参考文献】：
硕士论文
[1]基于深度学习的快速目标检测技术研究[D]. 王震.天津理工大学 2017
[2]监控场景下人数统计关键技术研究[D]. 李佩.重庆邮电大学 2016



本文编号：3115467