基于深度学习的混合交通场景行人检测研究

发布时间：2021-04-30 01:29

　　行人检测是计算机视觉的重要组成部分之一,广泛的应用于智能驾驶,辅助驾驶和智能视频监控当中。在我国的主要交通现状是混合交通的背景下,场景中的行人存在多目标、遮挡物和复杂背景的干扰问题,传统的行人检测方法很难得到较好的检测效果。针对这些问题,本文将基于深度学习的行人检测方法和这一特殊背景相结合,并从多个方面优化检测效果。针对筛选出的混合交通场景下的行人训练集,从淡化交通背景的影响和让行人特征更加明显两个方面来降低网络模型的训练难度。对训练集样本数据进行预处理,分别对训练集中的图片做初始的校正和灰度级转换,再对训练集中的图片进行图像增强处理,来降低场景中的行人特征的提取难度和增强检测网络训练的效果。针对混合交通场景下的识别和检测,为达到在精确度和速度上的要求,本文构建了以YOLOv3作为原型网络的行人检测网络模型。为了达到更好的精确度,本文改进了特征金字塔网络（Feature Pyramid Network,FPN）中的多尺度特征融合方法。利用尺度转换检测网络（Scale-Transferrable Object Detection,STDN）中的尺度转换法替换FPN中插值上采样的方法,设计... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：97 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 深度学习研究现状
        1.2.2 行人检测研究现状
    1.3 主要研究内容和研究难点
    1.4 本文的组织结构
2 相关技术及概念
    2.1 混合交通场景界定
    2.2 行人检测相关概念
        2.2.1 行人特征
        2.2.2 行人检测典型方法
    2.3 深度学习
        2.3.1 卷积神经网络
        2.3.2 目标检测网络模型
    2.4 目标检测相关构成
        2.4.1 候选框提取
        2.4.2 NMS(非极大值抑制)
        2.4.3 边框回归
3 混合交通场景下行人图像预处理
    3.1 混合交通行人数据集筛选
        3.1.1 行人检测公共数据集
        3.1.2 混合交通场景数据集筛选
    3.2 训练集样本初始处理
        3.2.1 亮度校正
        3.2.2 灰度级变换
    3.3 训练集样本图像增强
        3.3.1 图像增强处理
        3.3.2 滤波降噪处理
    3.4 本章小结
4 构建多尺度特征融合的行人检测网络模型
    4.1 特征金字塔网络(FPN)
    4.2 多尺度特征融合方法设计
        4.2.1 多尺度特征融合方式
        4.2.2 多尺度特征融合实现
    4.3 行人检测算法网络设计实现
        4.3.1 原型网络的选择
        4.3.2 行人检测网络的实现
    4.4 实验过程与检测结果分析
        4.4.1 改进后算法网络实验分析
        4.4.2 混合交通场景行人检测实验对比分析
    4.5 本章小结
5 混合交通场景下行人检测实现
    5.1 训练集样本不平衡处理
        5.1.1 训练集样本不平衡问题
        5.1.2 训练集样本不平衡处理
    5.2 混合交通场景下行人检测算法流程
    5.3 混合交通场景下行人检测实现
        5.3.1 行人检测训练样本集处理
        5.3.2 网络训练和检测过程
        5.3.3 检测结果分析
    5.4 本章小结
6 总结与展望
    6.1 本文总结
    6.2 未来展望
参考文献
致谢



本文编号：3168572