基于深度学习算法的遮挡行人检测

发布时间：2020-04-08 13:54

【摘要】：近年来,随着人工智能技术的迅猛发展,机器视觉渗透到我们生活中的各个方面,人们的生活发生了日新月异的变化。行人检测作为其中一项较为基础的识别技术,对安防监控、自动驾驶、新零售等多个领域提供技术支持,具有广泛的应用场景。本论文主要以SSD目标检测算法为基础,针对遮挡行人这一特定目标,重新设计其网络结构,使其检测性能得到大幅度的提高。本文主要包括以下内容:论文对行人检测的研究难点及现状做了简单的总结,对传统的基于机器学习的行人检测方法以及基于深度学习目标检测算法的相关知识做了梳理。其中,基于HOG+SVM的行人检测算法是传统方法中最为经典的一种算法,基于深度学习的目标检测算法主要包括RCNN系列、SSD以及YOLO系列三大类。之后,综合考虑检测的速度与性能,采用自建的遮挡行人数据集训练了一个基于SSD目标检测框架的行人检测系统,并用测试集以及重新标注的INRIA测试集对OpenCV中自带的基于HOG+SVM的行人检测系统和训练好的SSD模型进行对比实验。实验结果表明SSD模型的检测效果要明显好于传统的基于HOG+SVM的行人检测系统,通过深度卷积神经网络学习到的特征更具有鲁棒性。最后,针对遮挡行人检测,对SSD模型的网络结构进行了相应的修改。(1)在SSD模型的前置网络中,加入了SE-Inception结构,使其能够更加高效的提取特征;(2)重新设计了网络中的先验框,使其能够更加容易的匹配到行人的形状,并对小尺寸的行人采用了密集采样的策略;(3)针对行人中容易出现环境遮挡和相互遮挡的情况,在模型的训练集中加入了遮挡行人的数据,并采用Repulsion Loss增强模型对遮挡行人的检测能力。最终实验结果表明改进的SSD模型在小幅增加检测时间的情况下,检测性能有了大幅度的提升。
【图文】：

图 2-2 神经网络模型Figure 2-2 Neural network model络主要包括输入层，中间层和输出层，其中，中间层也可称为隐层神经网络叫做多层神经网络。一般用 表示神经网络的总层数，其图中，输入层为 ，隐含层为 ，输出层为 ， 。图中的神 、 表示，，其中， 表示第 l 层第 j 个单元与 l+1 层第 i 个单表示第 l+1 层第 i 个单元的偏置项，使用 表示第 l 层第 i 个单元作为下一层的输入值，激活函数 f 一般采用 Sigmoid 函数，其公 2-3 为其函数图像。

图 2-3 Sigmoid 函数图像Figure 2-3 Figure of Sigmoid function神经网络的前向传播过程用式（2-8），（2-9），（2-10），（终的输出值。
【学位授予单位】：广西科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP181;TP391.41

【相似文献】

相关期刊论文 前9条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报;1994年05期

5 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

6 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

7 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

8 方路平;何杭江;周国民;;目标检测算法研究综述[J];计算机工程与应用;2018年13期

9 尚海林;;复杂场景下弱小目标检测算法的FPGA实现[J];航空兵器;2007年04期

相关会议论文 前10条

1 何元磊;李红军;周陆军;李旭渊;顾立林;尼涛;;基于端元丰度量化的高光谱图像目标检测算法[A];国家安全地球物理丛书（十一）——地球物理应用前沿[C];2015年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用（SCA·2011）学术会议论文摘要集[C];2011年

4 许俊平;张启衡;张耀;王华闯;;基于人眼视觉特性的小目标检测算法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

5 王艺婷;黄世奇;刘代志;王红霞;;高光谱图像目标检测算法性能研究[A];国家安全地球物理丛书（十）——地球物理环境与国家安全[C];2014年

6 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

7 郑伟成;李学伟;刘宏哲;;基于深度学习的目标检测算法综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年

8 刘昊;赵龙;;基于改进混合高斯模型的运动目标检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

9 刘峰;奚晓梁;沈同圣;;基于最大值投影的空间小目标检测算法[A];第二届空间目标与碎片监测、清理技术及应用学术研讨会论文集[C];2015年

10 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

相关博士学位论文 前10条

1 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

2 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

3 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

4 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

5 潘雪莉;机载环视SAR海面特性和舰船目标检测算法研究[D];西安电子科技大学;2018年

6 陈宇环;联合时空特征的视觉显著目标检测算法研究[D];深圳大学;2018年

7 曾冬冬;视频监控中的前景目标检测算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

9 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

10 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 熊咏平;基于YOLO的深度学习目标检测算法研究[D];武汉科技大学;2019年

2 崔金刚;基于SSD的目标检测研究与实现[D];中北大学;2019年

3 刘宗宝;基于深度学习的水下视频目标检测与跟踪[D];哈尔滨工程大学;2019年

4 谢畅;基于边界先验及对比度优化的显著目标检测算法[D];上海交通大学;2017年

5 韩卓;TensorFlow平台目标检测模型的设计与实现[D];北京邮电大学;2019年

6 姚筑宇;基于深度学习的目标检测研究与应用[D];北京邮电大学;2019年

7 胡振寰;基于深度学习算法的遮挡行人检测[D];广西科技大学;2019年

8 王悦;用于建筑工地安全生产监控的目标检测算法研究[D];深圳大学;2018年

9 鲍金玉;基于视频分析的车辆智能监测技术研究[D];北方工业大学;2019年

10 周立学;基于卷积神经网络的隧道目标检测算法研究[D];武汉理工大学;2018年

本文编号：2619426