基于深度卷积神经网络的行人检测和行人识别系统

发布时间：2024-12-30 01:31

　　近年来,随着自动驾驶及智能视频监控的发展,所产生的视频数据量愈发增长,对视频中的行人检测和行人识别技术越来越受到研究者的重视。在此背景下,本文设计一个基于深度卷积神经网络的行人检测和行人识别系统,具体工作内容总结如下:1)本文构建基于YOLO的深度卷积神经网络模型,实现行人的检测。该模型利用卷积神经网络在图像上提取特征,输出回归目标的概率和类别,实现在复杂场景下行人目标的检测。实验结果表明,该模型具有检测实时性和鲁棒性。2)为有效识别行人,本文基于相似性度量思想设计全卷积孪生网络模型,实现行人的追踪。首先采用摄像头下的自然视频帧作为待处理图像;其次在图像上通过深度卷积神经网络检测出行人目标;然后利用全卷积孪生网络在相邻帧间对目标作预测追踪;最后通过得到的检测目标框和追踪候选框的重合比例判断是否为同一个目标。此外,由于可能出现检测和追踪的误差,本文同时采用余弦相似度匹配法作为第二重目标匹配方法。实验结果表明,全卷积孪生网络模型具有较好的追踪效果。3)为精确识别行人,本文基于追踪得到的行人图像序列采用两种识别方法。第一种方法是步态识别法:首先利用基于DNN姿态估计算法在追踪到的行人中提取人体...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 论文研究背景及意义
    1.2 国内外研究现状
        1.2.1 行人检测的国内外研究现状
        1.2.2 行人追踪的国内外研究现状
        1.2.3 行人识别的国内外研究现状
    1.3 论文的主要研究内容
第二章 深度卷积神经网络介绍
    2.1 神经网络概述
        2.1.1 神经网络
        2.1.2 相关算法
    2.2 卷积神经网络概述
        2.2.1 相关概念
        2.2.2 基本结构
    2.3 相关工具介绍
        2.3.1 深度学习算法库
        2.3.2 计算机视觉工具
    2.4 总结
第三章 基于深度卷积神经网络的行人检测
    3.1 引言
    3.2 行人检测算法
        3.2.1 YOLO算法介绍
        3.2.2 模型的训练和调整
    3.3 实验结果和分析
    3.4 总结
第四章 基于深度神经网络的多目标追踪算法
    4.1 引言
    4.2 基于孪生网络的多目标追踪算法
        4.2.1 问题的定义和系统框架
        4.2.2 基于全卷积孪生网络的追踪算法
    4.3 实验结果和分析
        4.3.1 实验数据
        4.3.2 实验结果
    4.4 总结
第五章 基于深度卷积神经网络的行人识别
    5.1 引言
    5.2 基于步态识别的行人识别
        5.2.1 关键点提取技术
        5.2.2 步态识别技术
        5.2.3 步态识别的实验结果
    5.3 基于人脸识别的行人识别
        5.3.1 PCANet技术介绍
        5.3.2 人脸识别技术
        5.3.3 人脸识别的实验结果
    5.4 总结
第六章 系统设计与实现
    6.1 系统需求分析
        6.1.1 系统简介
        6.1.2 系统功能简介
        6.1.3 系统界面
    6.2 系统设计与实现
    6.3 系统运行流程
    6.4 总结
第七章 总结与展望
    7.1 结论
    7.2 展望
参考文献
英文缩写词表
作者在攻读硕士学位期间公开发表的论文及参加的项目
致谢



本文编号：4021576