基于深度学习的监控场景目标检测算法研究与应用
发布时间：2021-04-18 00:03
监控场景下的目标检测是当前研究的热点,主要目的是检测识别出监控场景图像中的特定类别物体。深度学习凭借其优越的性能,广泛应用在图像处理、模式识别等多个领域。基于深度学习的目标检测与识别经过多年的研究,目前发展了Faster R-CNN、YOLO、SSD等多种框架算法及其改进算法,在性能实时性上均优于传统算法,但检测精度和速度仍有较大提升空间。本文针对监控场景图像存在运动模糊、密集遮挡、目标尺寸不一等特点,提出改进算法提升当前目标检测算法精度和速度,再整合成一个完整的检测框架,训练得到最优模型,并应用在监控系统中。本文的主要工作内容和创新点有:（1）提出了目标检测精度提升算法,解决多尺寸目标检测、遮挡、运动模糊及训练中正负样本失衡问题。主要从感受野大小的设定、多尺度分级训练、改进定位损失函数及分类损失函数等方面改进,通过测试模型性能验证改进算法效果。（2）提出了目标检测速度提升算法,解决检测神经网络推断过程速度慢,达不到实时检测的问题。主要从轻量化骨干网络、神经网络帧差法、图像灰度化及合并批量归一化层等方面进行改进,并通过统计模型计算量及在设备中测试验证改进算法的性能。（3）提出了基于目标...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
近年来目标检测相关论文数
浙江大学硕士学位论文第2章目标检测精度提升算法-8-息可以在不同层出现。浅层特征图包含更多小尺寸物体的细节信息，随着层数加深，因感受野过大，所提取特征中的几何细节信息可能完全消失，通过深层特征检测小物体就变得很困难。对于大物体而言，它语义信息将出现在较深层特征中。图像中不同的目标尺寸差别很大，部分目标尺寸很大，部分目标尺寸很小，都容易产生漏检误检情况，当前对多尺度目标检测的处理方式有:(1)多尺度图像预测：将图片缩放到不同尺寸得到图像金字塔结构[31]，然后对金字塔中的每层图片分别提取特征，得到不同尺度的特征图，如图2-1所示。图2-1图像金字塔示意图(2)特征金字塔预测：将图片输入网络中，在不同卷积层上提取特征得到尺度不同的特征图，再对不同尺度特征进行融合，以实现多尺度特征检测[32]。例如FPN结构[33]，将高低不同层的特征进行融合，每层单独进行预测。不同分辨率特征融合的方式，既每个分辨率的特征图和上采样的低分辨率特征相加，使得不同层次的特征增强，如图2-2所示。由于特征金字塔只在特征层上融合连接，增加的计算量较少，同时能显著改进检测性能。图2-2特征金字塔示意图这两种方法虽然能有效解决目标检测的多尺度问题，但都存在缺陷。基于多尺度图像金字塔的预测因不同尺度的图像要分别经过网络提取特征，推断时间上倍增，非常耗时；特征金字塔预测，不同尺寸的特征融合过程会造成一定的语义信息的损失，且网络结合不同层语义信息，相对而言每层均有检测分
浙江大学硕士学位论文第2章目标检测精度提升算法-8-息可以在不同层出现。浅层特征图包含更多小尺寸物体的细节信息，随着层数加深，因感受野过大，所提取特征中的几何细节信息可能完全消失，通过深层特征检测小物体就变得很困难。对于大物体而言，它语义信息将出现在较深层特征中。图像中不同的目标尺寸差别很大，部分目标尺寸很大，部分目标尺寸很小，都容易产生漏检误检情况，当前对多尺度目标检测的处理方式有:(1)多尺度图像预测：将图片缩放到不同尺寸得到图像金字塔结构[31]，然后对金字塔中的每层图片分别提取特征，得到不同尺度的特征图，如图2-1所示。图2-1图像金字塔示意图(2)特征金字塔预测：将图片输入网络中，在不同卷积层上提取特征得到尺度不同的特征图，再对不同尺度特征进行融合，以实现多尺度特征检测[32]。例如FPN结构[33]，将高低不同层的特征进行融合，每层单独进行预测。不同分辨率特征融合的方式，既每个分辨率的特征图和上采样的低分辨率特征相加，使得不同层次的特征增强，如图2-2所示。由于特征金字塔只在特征层上融合连接，增加的计算量较少，同时能显著改进检测性能。图2-2特征金字塔示意图这两种方法虽然能有效解决目标检测的多尺度问题，但都存在缺陷。基于多尺度图像金字塔的预测因不同尺度的图像要分别经过网络提取特征，推断时间上倍增，非常耗时；特征金字塔预测，不同尺寸的特征融合过程会造成一定的语义信息的损失，且网络结合不同层语义信息，相对而言每层均有检测分
【参考文献】：
期刊论文
[1]Dropout Rademacher complexity of deep neural networks[J]. Wei GAO,Zhi-Hua ZHOU. Science China（Information Sciences）. 2016(07)
[2]基于计算与通信重叠的稀疏矩阵-向量乘积及其在AMG中的应用[J]. 赵莲,赵永华,迟学斌. 数值计算与计算机应用. 2015(03)
本文编号：3144393
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
近年来目标检测相关论文数
浙江大学硕士学位论文第2章目标检测精度提升算法-8-息可以在不同层出现。浅层特征图包含更多小尺寸物体的细节信息，随着层数加深，因感受野过大，所提取特征中的几何细节信息可能完全消失，通过深层特征检测小物体就变得很困难。对于大物体而言，它语义信息将出现在较深层特征中。图像中不同的目标尺寸差别很大，部分目标尺寸很大，部分目标尺寸很小，都容易产生漏检误检情况，当前对多尺度目标检测的处理方式有:(1)多尺度图像预测：将图片缩放到不同尺寸得到图像金字塔结构[31]，然后对金字塔中的每层图片分别提取特征，得到不同尺度的特征图，如图2-1所示。图2-1图像金字塔示意图(2)特征金字塔预测：将图片输入网络中，在不同卷积层上提取特征得到尺度不同的特征图，再对不同尺度特征进行融合，以实现多尺度特征检测[32]。例如FPN结构[33]，将高低不同层的特征进行融合，每层单独进行预测。不同分辨率特征融合的方式，既每个分辨率的特征图和上采样的低分辨率特征相加，使得不同层次的特征增强，如图2-2所示。由于特征金字塔只在特征层上融合连接，增加的计算量较少，同时能显著改进检测性能。图2-2特征金字塔示意图这两种方法虽然能有效解决目标检测的多尺度问题，但都存在缺陷。基于多尺度图像金字塔的预测因不同尺度的图像要分别经过网络提取特征，推断时间上倍增，非常耗时；特征金字塔预测，不同尺寸的特征融合过程会造成一定的语义信息的损失，且网络结合不同层语义信息，相对而言每层均有检测分
浙江大学硕士学位论文第2章目标检测精度提升算法-8-息可以在不同层出现。浅层特征图包含更多小尺寸物体的细节信息，随着层数加深，因感受野过大，所提取特征中的几何细节信息可能完全消失，通过深层特征检测小物体就变得很困难。对于大物体而言，它语义信息将出现在较深层特征中。图像中不同的目标尺寸差别很大，部分目标尺寸很大，部分目标尺寸很小，都容易产生漏检误检情况，当前对多尺度目标检测的处理方式有:(1)多尺度图像预测：将图片缩放到不同尺寸得到图像金字塔结构[31]，然后对金字塔中的每层图片分别提取特征，得到不同尺度的特征图，如图2-1所示。图2-1图像金字塔示意图(2)特征金字塔预测：将图片输入网络中，在不同卷积层上提取特征得到尺度不同的特征图，再对不同尺度特征进行融合，以实现多尺度特征检测[32]。例如FPN结构[33]，将高低不同层的特征进行融合，每层单独进行预测。不同分辨率特征融合的方式，既每个分辨率的特征图和上采样的低分辨率特征相加，使得不同层次的特征增强，如图2-2所示。由于特征金字塔只在特征层上融合连接，增加的计算量较少，同时能显著改进检测性能。图2-2特征金字塔示意图这两种方法虽然能有效解决目标检测的多尺度问题，但都存在缺陷。基于多尺度图像金字塔的预测因不同尺度的图像要分别经过网络提取特征，推断时间上倍增，非常耗时；特征金字塔预测，不同尺寸的特征融合过程会造成一定的语义信息的损失，且网络结合不同层语义信息，相对而言每层均有检测分
【参考文献】：
期刊论文
[1]Dropout Rademacher complexity of deep neural networks[J]. Wei GAO,Zhi-Hua ZHOU. Science China（Information Sciences）. 2016(07)
[2]基于计算与通信重叠的稀疏矩阵-向量乘积及其在AMG中的应用[J]. 赵莲,赵永华,迟学斌. 数值计算与计算机应用. 2015(03)
本文编号：3144393
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3144393.html
最近更新
教材专著
