基于卷积神经网络的目标检测算法研究与应用

发布时间：2020-06-11 21:40

【摘要】：目标检测技术是计算机视觉领域中的研究热点,随着深度学习技术的兴起,基于卷积神经网络的目标检测算法逐渐代替传统目标检测算法。这些算法或具有高检测精度,或实时性较好,如何将算法应用于实际也是研究的热点。在实际应用中,有些场景目标检测难度大,需要检测精度较高的算法;有些场景对算法在移动端实时性要求较高,需要检测速度较快的算法。针对检测难度大的场景,本文以遥感图像中的飞机为检测目标,提出一种高精度目标检测算法Dense-YOLO,并使用此算法完成遥感目标检测与分析系统设计。针对在移动端需实时检测的场景,本文以驾驶员异常行为作为目标,通过对Dense-YOLO算法进行优化,提出可在嵌入式硬件平台上实时检测的目标检测算法Realtime-YOLO,并使用此算法在嵌入式硬件平台NVIDIA Jetson TX2上完成驾驶员行为监测系统设计。本文的主要工作与创新性研究成果如下:1)为了使提出的目标检测算法有较高精度,在算法设计中引入多尺度检测的思想,使用K-means维度聚类算法对自建的遥感图像中飞机目标数据集进行聚类分析,选出最适合的检测尺度与先验框大小。在算法的基础网络设计中引入密集连接的思想,提出了一种带有残差连接与密集连接的深度基础网络,解决网络过深带来的梯度爆炸问题并加强网络中信息流的传递。将多尺度检测方式与基础网络结合,设计出高精度目标检测算法Dense-YOLO。实验表明此算法对遥感图像中飞机目标进行检测时精度高于其它经典目标检测算法。使用此算法结合图形类库QT在计算机上完成遥感目标检测与分析系统设计,此系统可以快速分析一幅遥感图像中的目标个数、大小、位置、图像切片等信息。2)为了使提出的目标检测算法可在嵌入式硬件平台实时检测,针对嵌入式硬件平台资源有限的特点,对Dense-YOLO算法中多尺度检测机制和基础网络进行优化,提出一种轻量级嵌入式实时目标检测算法Realtime-YOLO。实验表明此算法保证可在嵌入式硬件平台NVIDIA Jetson TX2上实时检测目标的前提下,检测精度也相对较高。应用此算法完成驾驶员异常行为监测系统的设计,此系统有智能判断驾驶员异常行为并语音报警、截图取证等功能。
【图文】：

直方图,目标检测,算法分类,经典

在图 1.2 中列举的常用的传统目标检测算法有三种，包括尺度不变特征（ScalInvariant Feature Transform, SIFT）[10]、方向梯度直方图（Histogram of Oriented Gradient，HOG）[11]、DPM（Deformable Parts Model）[12]。1999 年 David G.Lowe 提出了尺度不变特征 SIFT 算法，在 2004 年，SIFT 算法得到了改进，为了完成特征提取的工作而构建一个尺度空间[13]，这样使 SIFT 算法对尺度与方向都具有不变性。ThomaMoranduzzo[14]，姬晓飞[15]等人利用了尺度不变特征提取 SIFT 特征实现了多目标的检测。但使用此方法完成目标检测的速度较慢，因为提取 SIFT 特征时要进行大量重复的计算。将 HOG 特征与支持向量机分类器进行组合在传统目标检测上也有着广泛应用，孙皓[16]等人使用了这种方式对舰船进行检测。此后，Wang[17]将 HOG 和局部二值模式[18]（Local Binary Patterns，LBP）两种特征相结合，为了增加算法的判别信息，在边缘特征中融入例如纹理特征，完成算法的改进。DPM 是卷积神经网络目标检测算法诞生之前最经典的目标检测算法。这个算法取得了连续三年的 VOC 目标检测大赛的冠军。在图像分割与行为检测等众多领域中都有着广泛的应用[19]。与基于卷积神经网络的目标检测算法相比，传统的目标检测算法具有优势：1）小样本：与卷积神经网络目标检测算法不同，传统目标检测算法不需要大量的数据样

结构图,人工神经网络,结构图

经网络人脑神经结构的启发，提出了人次，其中第一层包含有一亿多神经元件的连接逐步到高层，，图像的学习和进化，进而能够对目标的这种学习方式类比到计算机的将人工神经网络第一层每一个节全连接的方式。对人工神经网络到图像的特征信息，更高的层会。
【学位授予单位】：长春理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183

【参考文献】