基于YOLO的多尺度快速行人检测算法研究与应用

发布时间：2021-05-26 19:01

　　随着监控场景不断增加,行人检测也得到了迅猛的发展。行人跟踪,行为分析等这些基于行人检测支撑的技术在人们的生活中变得常见。行人检测技术不断前进才能从根本上带动上层应用的适用与普及。而在实际的行人检测系统中,不仅要考虑目标检测的准确性,也要考虑检测的实时性。这就要求我们在设计行人检测算法时,即要保证检测的准确性,也要保证检测的效率。本文将行人检测理论与实际应用相结合,在Tiny-YOLO的基础上实现了多尺度快速行人检测算法与实时行人检测系统。本文结合行人检测的特点,发现了Tiny-YOLO在行人检测领域存在着一些问题并在此基础上进行相应的改进。针对Tiny-YOLO在行人检测领域存在的问题,本文改进的方面有:（1）其中针对行人单一目标的检测,改进损失函数来使模型对行人检测效果更好;（2）针对漏检和错检,通过对网络结构的设计,增加特征提取能力;（3）针对小目标检测不准确问题,使用了特征金字塔与多尺度特征预测融合不同特征图语义,可以更容易的发现小目标行人,提高检测精度。本文也通过实验验证了上述改进的有效性。使得改进后的算法在保证行人实时检测速度实时性的同时,也提高了行人检测的准确率,基本上到达... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 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 研究现状
        1.2.1 传统行人检测方法
        1.2.2 深度学习行人检测方法
    1.3 本文工作与章节安排
        1.3.1 本文工作
        1.3.2 章节安排
2 相关知识
    2.1 行人检测基本流程
    2.2 卷积神经网络
    2.3 基于卷积的目标检测框架
        2.3.1 基于区域建议的目标检测
        2.3.2 基于回归的目标检测
    2.4 YOLO系列
        2.4.1 YOLO的基本原理
        2.4.2 Tiny-YOLO
    2.5 本章小结
3 多尺度快速行人检测算法
    3.1 算法基础框架结构
    3.2 损失函数
        3.2.1 边界框预测
        3.2.2 损失函数设计
    3.3 特征提取网络结构的改进
        3.3.1 增加1×1 卷积层
        3.3.2 改进后的网络结构
    3.4 增加多尺度预测
        3.4.1 多尺度预测原理
        3.4.2 引入多尺度预测结构
    3.5 本章小结
4 算法实验与结果分析
    4.1 行人检测数据集构建
    4.2 模型初始设置
    4.3 实验环境
    4.4 训练过程
    4.5 实验结果分析
        4.5.1 评价指标
        4.5.2 结果分析
    4.6 本章小结
5 行人检测系统的设计实现
    5.1 系统需求分析
        5.1.1 系统需求分析
        5.1.2 功能性需求
        5.1.3 非功能性需求
        5.1.4 可行性分析
    5.2 系统总体设计
        5.2.1 系统架构设计
        5.2.2 系统框架介绍
        5.2.3 系统整体流程结构
    5.3 系统实现
        5.3.1 服务器端搭建
        5.3.2 客户端实现
    5.4 运行效果
    5.5 本章小结
结论
参考文献
攻读硕士学位期间取得的成果
    1专利
致谢



本文编号：3206897