基于CNN的可变焦场景视频行人检测算法研究与实现

发布时间：2020-12-22 21:13

　　行人检测是人工智能领域的技术基石,应用前景广阔。随着深度学习的崛起,行人检测技术领域出现了基于卷积神经网络(Convolutional Neural Network,CNN)的检测算法。目前行人检测算法仍无法同时实现高性能和实时性的行人检测,行人尺寸多样及背景复杂多变等诸多限制因素亟待解决。可变焦场景视频下基于CNN的行人检测算法研究与实现对于行人检测技术的进一步完善有一定的参考价值。鉴于此背景,本论文研究可变焦场景视频下基于CNN的行人检测算法及其实现问题,主要完成的工作及创新点有:(1)针对行人背景复杂多变及现有数据库不能完全契合论文的行人检测要求等问题,设计选用星光网络摄像头完成可变焦视频采集平台搭建和多场景下行人视频采集工作,利用Matlab设计并实现的标注软件进行行人样本标注,在现有行人检测数据库的基础上,进行本地数据库构建。实验结果表明,联合数据库在一定程度上解决了行人背景复杂多变的问题,而且更有利于行人检测算法的实现。(2)论文设计完成基于 CNN 的 SSD(Single Shot MultiBox Detector,SSD)行人检测算法,并针对相应问题进行了网络改进。... 

【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图１－１行人分类、定位及检测的关系??Ｆｉｇｕｒｅ?１－１?Ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｐｅｄｅｓｔｒｉａｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ，?ｌｏｃａｔｉｏｎ?ａｎｄ?ｄｅｔｅｃｔｉｏｎ??

具有一个隐层的多层感知机，或者是具有一个隐层于人类准则的统计学习方式来完成较繁杂的训练，预测。浅层模型最根本任务是目标分类。常见的浅（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ，?ＳＶＭ）?［４５］、提升算法［４６］和列举模型的隐层个数为一层或者零层，其在提出后学习相比需要很少的训练技巧，所以被迅速地应用层学习对于需要多个隐层来解决的检测问题，如果边缘特征层进行目标检测时，需要反复地人工修改解决问题，需要多次训练，才能完成目标检测。上不够，因此需要深度学习来解决深度不够问题。??经网络的兴起，深度学习概念被提出。深度学习属度学习是神经网络中最重要的部分，它的基本构成习包含人工神经网络和深度学习。机器学习、神经２＿１中所示。从图２－１中可以清晰地看到几种方法在

一层提取到的特征用于下一层提取特征时的输入；第三步全部训练完成后，从最??高层开始改变学习方式，采用监督学习方式从高到低进行参数微调来生成模型。??深度学习训练流程如下图２－２所示：??＜?自高到低监督学习微调?＿??高非监督学??图２－２深度学习训练流程??Ｆｉｇｕｒｅ?２－２?Ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｔｒａｉｎｉｎｇ??深度学习网络结构和传统神经网络结构存在很多相同点和不同点，通过下图??２－３深度学习模型和传统神经网络模型图进行对比分析。??＿??ａ）神经网络?ｂ）含多个隐层的深度学习网络??ａ）?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｂ）?Ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｎｅｔｗｏｒｋ?ｗｉｔｈ?ｍｕｌｔｉｐｌｅ?ｈｉｄｄｅｎ?ｌａｙｅｒｓ??图２－３神经网络模型和深度学习模型??Ｆｉｇｕｒｅ?２－３?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ?ａｎｄ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??由上图２－３可以看出，深度学习网络结构和传统的神经网络结构相同点是：两??者都是具有输入层、隐层和输出层多层网络的分层结构，权重连接只在相邻层的??层与层之间，同一层或者跨层之间不存在权重连接。深度学习网络结构和传统神??经网络结构不同点是：传统神经网络层数一般为两层或者三层。受层数少的限制

【参考文献】：
硕士论文
[1]基于SSD的行人检测与跟踪方法研究[D]. 李海翔.中国科学技术大学 2018
[2]深度学习在行人检测中的研究与应用[D]. 李蹊.北京邮电大学 2017



本文编号：2932446