监控场景下的行人检测研究

发布时间：2021-11-29 07:17

　　近年来,得益于深度学习技术的快速推广,目标检测领域得到了大力发展。行人检测技术一直是目标检测领域研究与应用的热点,例如无人驾驶、智能交通、智能视频监控等技术的发展都离不开行人检测。其中智能监控系统在现代生活中更是得到了广泛应用。本文所研究的行人检测方法主要的应用环境是针对监控下的场景,是智能监控系统中的一个重要组成部分,可以对监控视频中出现的行人进行实时检测,其具有一定的实际意义。本论文首先介绍了行人检测技术在监控场景下的应用背景,并对该技术在国内外的发展历程和研究现状进行了详尽的分析;然后对行人检测方法中的几项关键技术和当下正处于研究前沿的深度学习技术进行了概述,并将基于深度学习的目标检测算法运用到行人检测任务中,对比不同模型的检测性能,选取最优算法;最后,针对监控场景下人流密集时行人躯干部位容易被遮挡的问题,本文提出了一种基于行人头部的检测模型,同时为满足监控场景下的实时性检测要求,使用了基于端到端的目标检测算法YOLOv3来训练行人头部检测模型。考虑到YOLOv3算法缺乏目标针对性,并不完全适用于监控场景下的行人检测任务。所以本文针对这一问题作出改进,主要工作如下:（1）准备行人... 

【文章来源】：安徽工业大学安徽省

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

HOG行人检测原理

图 2.3 LBP 算子计算过程HOG 特征向梯度直方图(Histogram of Oriented Gradient, HOG)是行人检测任务中使一种特征。HOG 通过对图像局部区域内的梯度直方图进行计算和统计，

图 2.5 滑窗法示意图非极大值抑制(Non-Maximum Suppression, NMS)在计算机视觉领域有着非常重要用[47]。可以将其理解为局部最大搜索算法，其原理如图中 2.6 所示，依据目标窗口信度得分情况，按照从大到小的顺序依次排列。首先选择排序最靠前的目标窗口，为 A；然后选择排序在 A 之后的窗口，假设为 B，计算 A 与 B 的 IOU 值，若计算

【参考文献】：
期刊论文
[1]基于卷积神经网络的行人检测方法研究新进展[J]. 邢志祥,顾凰琳,钱辉,张莹,汪李金.  安全与环境工程. 2018(06)
[2]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)
[3]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)
[4]智能视频监控技术综述[J]. 李立仁,李少军,刘忠领.  中国安防. 2009(10)
[5]视频监控技术发展综述[J]. 骆云志,刘治红.  兵工自动化. 2009(01)
[6]行人检测系统研究新进展及关键技术展望[J]. 许言午,曹先彬,乔红.  电子学报. 2008(05)
[7]聚类算法研究[J]. 孙吉贵,刘杰,赵连宇.  软件学报. 2008(01)
[8]激活函数对BP网络性能的影响及其仿真研究[J]. 王雪光,郭艳兵,齐占庆.  自动化技术与应用. 2002(04)

博士论文
[1]复杂视觉场景下的行人检测与跟踪方法研究[D]. 刘晓辉.天津大学 2013

硕士论文
[1]基于深度学习的行人检测技术研究[D]. 刘德雨.长春工业大学 2018
[2]基于深度学习的行人检测[D]. 王斌.北京交通大学 2015
[3]复杂场景中监控视频事件检测算法[D]. 李志轩.北京邮电大学 2014



本文编号：3526083