基于YOLOv2的监控场景目标检测技术研究
发布时间：2021-02-01 02:36
智慧加油站是近年来石油化工企业结合人工智能技术进行产业升级改造的一项重要应用。利用计算机视觉技术让加油站管理变得高效简洁,极大节省了人力物力。本文根据实际需求针对加油站中车辆与行人的检测问题,设计了一个针对此场景下基于YOLOv2检测算法的车辆与行人多摄像机监控检测系统。本文在多摄像机监控系统中,通过添加管理类的方式来控制摄像机的数据。采用主线程接收数据到管理类的数据流队列,子线程中使用YOLOv2算法对管理类数据流队列中图片数据进行检测的并发方式,提高了系统整体的处理速度。通过现场测试检验了设计的合理性。将YOLOv2与Faster R-CNN,SSD两种检测算法进行对比实验。通过对比精确度和检测速度,YOLOv2在此场景下的准确率和检测速度都优于另外两种算法,适用于此监控场景下车辆与行人的检测。利用自建的加油站数据集对YOLOv2网络模型进行微调,微调后的YOLOV2模型使车辆与行人检测精度分别提高了0.5%和1.7%,召回率分别提高了8.3%和6.7%,证明微调对于YOLOv2模型在监控场景下有较好的优化作用。将YOLOv2算法封装加入多摄像头监控系统。在监控场景下进行测试,摄像...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
某干和器学习的传娇目坛粉汕}某太橙才
：( )( )0 00xyx x ≤ = > 较多的激活函数，因为在大于 0 的区域都有梯度训练中，能比以上两种激活函数更容易收敛。下：( 0)( 0)x xyax x >= ≤ 入了一个自适应从数据中学习的很小的值 a，来数，就使得收敛变快，错误率变低。算术表达将以上很多的单一“神经元”组合在一起，如下
代价函数和规则化项单个范例( x ,y )，代价函数为方差代价函数：( ) ( )2,1, ; ,2W bJ W b x y = h x y所有 m 个范例中，整体的代价函数为：( )( ) ( )( )( )( )( )( )( ) ( )( )11121 1 1 1122,1 1 1 11, , ; ,21 12 2l l ll l ln s smi i ljii l i jn s smi i lW b jii l i jJ W b J W b x y Wmh x y Wmλλ++ = = = = = = = = = + = + 二项是规则化项，作用是防止过拟合。式（2-8）中λ 是权重衰减函数，改变价函数中的权重。由于机器学习模型在某种程度上来说是不可逆的运算，对价函数J ，可以有很多种不同的参数。在高维度上，最小值和极小值都很接同一个体系下也往往会有许多不同的参数组合。因为参数的范围过于大，虽的训练误差，也没能得到很好的泛化性能。如下图：
【参考文献】：
期刊论文
[1]基于改进YOLO的双模目标识别方法研究[J]. 黄杰军,呼吁,周斌,明德烈. 计算机与数字工程. 2018(04)
[2]基于YOLO算法的移动轮船多目标实时检测[J]. 周奇. 电脑知识与技术. 2018(10)
[3]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[4]改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用[J]. 杨观赐,杨静,苏志东,陈占杰. 自动化学报. 2018(12)
[5]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[6]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[7]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[8]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[9]运动目标检测算法的探讨[J]. 万缨,韩毅,卢汉清. 计算机仿真. 2006(10)
博士论文
[1]基于感知一致性的过程纹理生成研究[D]. 刘君.中国海洋大学 2015
硕士论文
[1]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[2]基于深度学习的行人流量统计算法研究[D]. 张天琦.哈尔滨工业大学 2017
[3]基于深度学习的机动车检测与属性识别研究[D]. 郭少博.中国科学技术大学 2017
[4]交通视频中车辆多目标跟踪与特征提取的研究[D]. 郭晓光.天津工业大学 2017
本文编号：3012047
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：71 页
【学位级别】：硕士
【部分图文】：
某干和器学习的传娇目坛粉汕}某太橙才
：( )( )0 00xyx x ≤ = > 较多的激活函数，因为在大于 0 的区域都有梯度训练中，能比以上两种激活函数更容易收敛。下：( 0)( 0)x xyax x >= ≤ 入了一个自适应从数据中学习的很小的值 a，来数，就使得收敛变快，错误率变低。算术表达将以上很多的单一“神经元”组合在一起，如下
代价函数和规则化项单个范例( x ,y )，代价函数为方差代价函数：( ) ( )2,1, ; ,2W bJ W b x y = h x y所有 m 个范例中，整体的代价函数为：( )( ) ( )( )( )( )( )( )( ) ( )( )11121 1 1 1122,1 1 1 11, , ; ,21 12 2l l ll l ln s smi i ljii l i jn s smi i lW b jii l i jJ W b J W b x y Wmh x y Wmλλ++ = = = = = = = = = + = + 二项是规则化项，作用是防止过拟合。式（2-8）中λ 是权重衰减函数，改变价函数中的权重。由于机器学习模型在某种程度上来说是不可逆的运算，对价函数J ，可以有很多种不同的参数。在高维度上，最小值和极小值都很接同一个体系下也往往会有许多不同的参数组合。因为参数的范围过于大，虽的训练误差，也没能得到很好的泛化性能。如下图：
【参考文献】：
期刊论文
[1]基于改进YOLO的双模目标识别方法研究[J]. 黄杰军,呼吁,周斌,明德烈. 计算机与数字工程. 2018(04)
[2]基于YOLO算法的移动轮船多目标实时检测[J]. 周奇. 电脑知识与技术. 2018(10)
[3]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[4]改进的YOLO特征提取算法及其在服务机器人隐私情境检测中的应用[J]. 杨观赐,杨静,苏志东,陈占杰. 自动化学报. 2018(12)
[5]实时目标检测算法YOLO的批再规范化处理[J]. 温捷文,战荫伟,凌伟林,郭灿樟. 计算机应用研究. 2018(10)
[6]基于深度学习的车辆检测方法[J]. 王德宇,徐友春,李永乐,陆峰,郑凯文. 计算机与现代化. 2017(08)
[7]基于YOLO v2的无人机航拍图像定位研究[J]. 魏湧明,全吉成,侯宇青阳. 激光与光电子学进展. 2017(11)
[8]基于Fast R-CNN的车辆目标检测[J]. 曹诗雨,刘跃虎,李辛昭. 中国图象图形学报. 2017(05)
[9]运动目标检测算法的探讨[J]. 万缨,韩毅,卢汉清. 计算机仿真. 2006(10)
博士论文
[1]基于感知一致性的过程纹理生成研究[D]. 刘君.中国海洋大学 2015
硕士论文
[1]基于深度学习的交通视频检测及车型分类研究[D]. 楚翔宇.哈尔滨工业大学 2017
[2]基于深度学习的行人流量统计算法研究[D]. 张天琦.哈尔滨工业大学 2017
[3]基于深度学习的机动车检测与属性识别研究[D]. 郭少博.中国科学技术大学 2017
[4]交通视频中车辆多目标跟踪与特征提取的研究[D]. 郭晓光.天津工业大学 2017
本文编号：3012047
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3012047.html
