基于人脸分析的公共场所吸烟行为检测系统研究
发布时间：2021-01-07 23:56
为了减少和消除烟草危害,保障公众健康,我国多地发布控制吸烟条例,规定室内公共场所全面禁止吸烟,并明确了室外禁止吸烟的公共场所范围,扩大禁烟范围是大势所趋。与人工监督方法和传统传感器烟雾报警相比,基于计算机视觉的吸烟行为检测系统具有监控范围广、监控资源利用率高、自动定位吸烟者并发出警报等优点。本文结合公共场所和香烟自身特点,研究基于人脸分析的视频吸烟行为检测算法并实现系统在嵌入式平台Xavier上的部署。主要工作如下:（1）提出针对公共场所吸烟者的改进的MTCNN人脸检测算法。从传统机器学习和深度学习两方面对人脸检测算法进行比较分析,阐述了基于Haar-Adaboost的人脸检测算法的局限性。针对公共场所吸烟者的人脸特性,提出了引入锚点（Anchor）的改进的MTCNN算法,能够检测小或极小尺寸的人脸,同时使用稀疏金字塔处理较大尺度人脸,减小网络前向计算量。所提算法在WIDERFACE测试集人脸检测速度和平均精度上有较明显的提升,保证了算法的实时性和有效性。（2）提出基于人脸分析的吸烟行为检测算法。在改进的MTCNN算法人脸框坐标回归的基础上确定嘴部区域定位规则,比...
【文章来源】：燕山大学河北省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
人脸分类器原理
第2章吸烟行为检测相关理论分析7通常传统的人脸检测算法主要是用大量的人脸和非人脸样本图像进行训练，通过学习到的人脸特征构建人脸二分类器，也叫做人脸检测模板。以对图像以固定尺度的窗口从左向右从上至下滑动的方式判断滑窗里是否是人脸，即为滑动窗口技术。人脸分类器的原理如图2-1所示。由于人脸大小不固定且采集图像分辨率不同，为了解决普通滑窗技术只能检测单一尺寸人脸图像的问题，通过引入图像金字塔[15]，对目标图像进行多尺度表达，从而在提取图像特征时，实现多尺度的滑窗扫描。常见的金字塔有拉普拉斯金字塔，高斯金字塔等，通过对原始图像进行上采样或者下采样操作来构建多分辨率的图像金字塔，随着层级越高，图像就会越小，分辨率也会越低[16]。图像金字塔示意图如图2-2所示。图2-2图像金字塔示意图基于传统机器学习方法构建人脸检测模型主要包括两部分：(1)人脸特征提取；(2)人脸分类器的构建。我们一般用最具区分性和独立性的图像特征来描述待检测图像内容，在从原始图像数据中提取最有助于分类的特征的同时，也会很大程度上降低样本的维数。常用的人脸检测特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意图如图2-3、2-4所示。图2-3LBP特征示意图
第2章吸烟行为检测相关理论分析7通常传统的人脸检测算法主要是用大量的人脸和非人脸样本图像进行训练，通过学习到的人脸特征构建人脸二分类器，也叫做人脸检测模板。以对图像以固定尺度的窗口从左向右从上至下滑动的方式判断滑窗里是否是人脸，即为滑动窗口技术。人脸分类器的原理如图2-1所示。由于人脸大小不固定且采集图像分辨率不同，为了解决普通滑窗技术只能检测单一尺寸人脸图像的问题，通过引入图像金字塔[15]，对目标图像进行多尺度表达，从而在提取图像特征时，实现多尺度的滑窗扫描。常见的金字塔有拉普拉斯金字塔，高斯金字塔等，通过对原始图像进行上采样或者下采样操作来构建多分辨率的图像金字塔，随着层级越高，图像就会越小，分辨率也会越低[16]。图像金字塔示意图如图2-2所示。图2-2图像金字塔示意图基于传统机器学习方法构建人脸检测模型主要包括两部分：(1)人脸特征提取；(2)人脸分类器的构建。我们一般用最具区分性和独立性的图像特征来描述待检测图像内容，在从原始图像数据中提取最有助于分类的特征的同时，也会很大程度上降低样本的维数。常用的人脸检测特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意图如图2-3、2-4所示。图2-3LBP特征示意图
【参考文献】：
期刊论文
[1]激活函数在卷积神经网络中的对比研究[J]. 田娟,李英祥,李彤岩. 计算机系统应用. 2018(07)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[4]吸烟危害健康,远离吸烟[J]. 中国职业医学. 2016(04)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[6]基于统计的人脸检测方法研究[J]. 张明慧,张明超,张尧禹. 电脑编程技巧与维护. 2012(18)
[7]SVM分类核函数及参数选择比较[J]. 奉国和. 计算机工程与应用. 2011(03)
[8]人脸检测研究综述[J]. 梁路宏,艾海舟,徐光祐,张钹. 计算机学报. 2002(05)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
硕士论文
[1]基于多特征融合的室内吸烟烟雾识别算法研究[D]. 刘远丁.燕山大学 2018
[2]基于视频监控的室内香烟烟雾检测算法研究[D]. 艾博.燕山大学 2016
[3]基于烟雾多特征的吸烟行为识别算法研究[D]. 苏翔宇.燕山大学 2014
[4]基于视频烟雾的吸烟行为识别与研究[D]. 丁宏杰.燕山大学 2013
[5]针对吸烟行为的手势识别算法研究[D]. 王超.燕山大学 2013
本文编号：2963491
【文章来源】：燕山大学河北省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
人脸分类器原理
第2章吸烟行为检测相关理论分析7通常传统的人脸检测算法主要是用大量的人脸和非人脸样本图像进行训练，通过学习到的人脸特征构建人脸二分类器，也叫做人脸检测模板。以对图像以固定尺度的窗口从左向右从上至下滑动的方式判断滑窗里是否是人脸，即为滑动窗口技术。人脸分类器的原理如图2-1所示。由于人脸大小不固定且采集图像分辨率不同，为了解决普通滑窗技术只能检测单一尺寸人脸图像的问题，通过引入图像金字塔[15]，对目标图像进行多尺度表达，从而在提取图像特征时，实现多尺度的滑窗扫描。常见的金字塔有拉普拉斯金字塔，高斯金字塔等，通过对原始图像进行上采样或者下采样操作来构建多分辨率的图像金字塔，随着层级越高，图像就会越小，分辨率也会越低[16]。图像金字塔示意图如图2-2所示。图2-2图像金字塔示意图基于传统机器学习方法构建人脸检测模型主要包括两部分：(1)人脸特征提取；(2)人脸分类器的构建。我们一般用最具区分性和独立性的图像特征来描述待检测图像内容，在从原始图像数据中提取最有助于分类的特征的同时，也会很大程度上降低样本的维数。常用的人脸检测特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意图如图2-3、2-4所示。图2-3LBP特征示意图
第2章吸烟行为检测相关理论分析7通常传统的人脸检测算法主要是用大量的人脸和非人脸样本图像进行训练，通过学习到的人脸特征构建人脸二分类器，也叫做人脸检测模板。以对图像以固定尺度的窗口从左向右从上至下滑动的方式判断滑窗里是否是人脸，即为滑动窗口技术。人脸分类器的原理如图2-1所示。由于人脸大小不固定且采集图像分辨率不同，为了解决普通滑窗技术只能检测单一尺寸人脸图像的问题，通过引入图像金字塔[15]，对目标图像进行多尺度表达，从而在提取图像特征时，实现多尺度的滑窗扫描。常见的金字塔有拉普拉斯金字塔，高斯金字塔等，通过对原始图像进行上采样或者下采样操作来构建多分辨率的图像金字塔，随着层级越高，图像就会越小，分辨率也会越低[16]。图像金字塔示意图如图2-2所示。图2-2图像金字塔示意图基于传统机器学习方法构建人脸检测模型主要包括两部分：(1)人脸特征提取；(2)人脸分类器的构建。我们一般用最具区分性和独立性的图像特征来描述待检测图像内容，在从原始图像数据中提取最有助于分类的特征的同时，也会很大程度上降低样本的维数。常用的人脸检测特征有局部二值模式(LocalBinaryPattern，LBP)特征[17]、Haar-like特征[18]，特征示意图如图2-3、2-4所示。图2-3LBP特征示意图
【参考文献】：
期刊论文
[1]激活函数在卷积神经网络中的对比研究[J]. 田娟,李英祥,李彤岩. 计算机系统应用. 2018(07)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[4]吸烟危害健康,远离吸烟[J]. 中国职业医学. 2016(04)
[5]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[6]基于统计的人脸检测方法研究[J]. 张明慧,张明超,张尧禹. 电脑编程技巧与维护. 2012(18)
[7]SVM分类核函数及参数选择比较[J]. 奉国和. 计算机工程与应用. 2011(03)
[8]人脸检测研究综述[J]. 梁路宏,艾海舟,徐光祐,张钹. 计算机学报. 2002(05)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
硕士论文
[1]基于多特征融合的室内吸烟烟雾识别算法研究[D]. 刘远丁.燕山大学 2018
[2]基于视频监控的室内香烟烟雾检测算法研究[D]. 艾博.燕山大学 2016
[3]基于烟雾多特征的吸烟行为识别算法研究[D]. 苏翔宇.燕山大学 2014
[4]基于视频烟雾的吸烟行为识别与研究[D]. 丁宏杰.燕山大学 2013
[5]针对吸烟行为的手势识别算法研究[D]. 王超.燕山大学 2013
本文编号：2963491
本文链接：https://www.wllwen.com/shoufeilunwen/shuoshibiyelunwen/2963491.html
