基于深度学习的目标检测算法研究及应用

发布时间:2017-10-17 09:40

  本文关键词:基于深度学习的目标检测算法研究及应用


  更多相关文章: 目标检测 行人检测 深度学习 卷积神经网络


【摘要】:目标检测是计算机视觉领域中一个富有挑战性的课题,其主要目的是从静态图片或视频中检测并定位特定的目标。它综合运用了图像处理、模式识别、人工智能和自动控制等技术,在道路交通事故预防、工厂可疑危险品警告、军事禁区监控、高级人机交互等方面有着广泛的应用。由于目标所处环境复杂多变,目前还没有一种比较通用成熟的检测方法,在实际应用中目标检测算法研究的机遇与挑战并存。本论文首先分析了国内外目标检测算法的研究现状,着重介绍了当前应用较为广泛的方法,使用目标特征训练分类器进行目标分类检测。针对使用现有特征训练的分类器进行目标分类检测时存在误检率较高的缺点,本文在深度学习的基础上提出了一种基于卷积神经网络的行人目标检测算法。为了解决直接使用卷积神经网络进行滑动窗口检测效率较低的问题,本文将算法分为两大步骤:(1)疑似存在行人窗口确认;(2)行人检测。在疑似存在行人窗口确认中,本文使用融合特征作为行人的描述特征训练分类器,采用了邻近尺度特征值相似的思想构建分类器金字塔,在待检图像上利用不同尺度的滑动窗口进行滑动遍历确定疑是存在行人窗口;在行人检测中,使用大量正负样本训练了一个卷积神经网络,为了更好的适应行人检测,将该卷积神经网络的拓扑结构进行改进。将疑似存在行人的窗口输入改进后的卷积神经网络进行行人检测,在保持原有的检测率的基础下降低了误检率。为了验证本文所提出算法的准确性,在INRIA行人数据库进行行人检测实验。分别以每个窗口和每幅图像为检测单位,统计本文算法的检测率和误检率,在平均每幅图像存在一个误检窗口的标准下,达到了93%的检测率。检测率比使用ACF特征训练的检测器高三个百分点,检测速度比单独使用卷积神经网络检测提升四倍以上。实验结果证明了本文算法的有效性。
【关键词】:目标检测 行人检测 深度学习 卷积神经网络
【学位授予单位】:电子科技大学
【学位级别】:硕士
【学位授予年份】:2015
【分类号】:TP391.41
【目录】:
  • 摘要5-6
  • ABSTRACT6-10
  • 第一章 绪论10-15
  • 1.1 研究背景及意义10-11
  • 1.2 国内外研究现状11-13
  • 1.3 本文主要内容及结构安排13-15
  • 第二章 相关基础知识15-37
  • 2.1 行人目标检测算法原理15-18
  • 2.1.1 基于模板匹配的检测算法15-16
  • 2.1.2 基于分类的行人检测算法16-18
  • 2.2 典型的人体特征18-24
  • 2.2.1 HAAR-LIKE特征18-19
  • 2.2.2 HOG特征19-21
  • 2.2.3 SIFT特征21-24
  • 2.3 典型分类器24-29
  • 2.3.1 支持向量机算法24-27
  • 2.3.2 ADABOOST算法27-29
  • 2.4 深度学习29-36
  • 2.4.1 深度学习概述29-30
  • 2.4.2 典型的深度学习结构30-36
  • 2.5 本章小结36-37
  • 第三章 基于融合特征的疑是行人窗口确认37-52
  • 3.1 提取融合特征37-43
  • 3.2 分类器训练43-47
  • 3.2.1 训练标准尺度级联分类器43-47
  • 3.2.2 快速构建邻近尺度分类器47
  • 3.3 滑动窗口检测47-51
  • 3.4 本章小结51-52
  • 第四章 基于卷积神经网络的行人检测52-62
  • 4.1 本文所使用的卷积神经网络拓扑结构52-53
  • 4.2 训练卷积神经网络53-58
  • 4.3 卷积神经网络的参数调节58-60
  • 4.4 行人目标检测过程60-61
  • 4.5 本章小结61-62
  • 第五章 实验结果及性能分析62-69
  • 5.1 实验结果说明及对比62-68
  • 5.1.1 行人检测评价标准62-63
  • 5.1.2 实验过程63
  • 5.1.3 实验结果与分析63-67
  • 5.1.4 性能比较67-68
  • 5.2 本章小结68-69
  • 第六章 总结与展望69-70
  • 6.1 论文总结69
  • 6.2 进一步研究工作69-70
  • 致谢70-71
  • 参考文献71-75
  • 攻读硕士学位期间取得的成果75-76

【相似文献】

中国期刊全文数据库 前10条

1 张桂林,,熊艳,曹伟,李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报(社会科学版);1994年05期

2 秦剑;陈钱;钱惟贤;;基于背景分类的弱小目标检测算法[J];光电工程;2011年01期

3 蒋建国;吴晖;齐美彬;张莉;;摄像机旋转运动下的快速目标检测算法[J];图学学报;2012年03期

4 逯鹏;张姗姗;刘驰;黄石磊;汤玉合;;基于稀疏超完备表示的目标检测算法[J];仪器仪表学报;2013年06期

5 李大辉;金涛;;弱小目标检测算法的设计与分析[J];中国科技信息;2013年16期

6 张明艳;许钢;孟樱;;基于时空特性的运动目标检测算法研究[J];安徽工程大学学报;2013年04期

7 徐振海,王雪松,肖顺平,庄钊文;基于模糊融合的目标检测算法研究[J];国防科技大学学报;2000年04期

8 李维雅,董能力,金钢,李正周;弱小目标检测算法性能评价的回归分析方法[J];光电工程;2005年02期

9 高陈强;田金文;王鹏;;基于时域特性分析的红外运动小目标检测算法[J];红外与激光工程;2008年05期

10 曾脉;左志宏;常晓夫;何煊;;一种准确而快速的运动目标检测算法[J];成都信息工程学院学报;2008年04期

中国重要会议论文全文数据库 前10条

1 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用(SCA·2011)学术会议论文摘要集[C];2011年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

4 袁辉;孙卓;李德民;魏颖;;基于小波多尺度互能量交叉融合滤波的弱小目标检测算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

5 顾静良;万敏;张卫;郑捷;;低对比度弱小目标检测算法[A];中国工程物理研究院科技年报(2005)[C];2005年

6 黄龚;郑锦;刘养科;;摄像机水平巡扫时的运动目标检测算法[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年

7 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集(下册)[C];2010年

8 王正;刘瑞华;;基于PTZ摄像机的运动目标检测算法[A];全国第一届嵌入式技术联合学术会议论文集[C];2006年

9 王彪;王成儒;王芬芬;;一种改进的运动目标检测算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年

10 刘琳;顾国华;钱惟贤;陈钱;徐富元;;目标检测算法的研究以及SRIO协议在目标检测的应用[A];第八届华东三省一市真空学术交流会论文集[C];2013年

中国博士学位论文全文数据库 前5条

1 王海丰;基于机器视觉的剖竹机加工目标检测算法研究[D];东北林业大学;2015年

2 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

3 郭明玮;基于视觉记忆的目标检测算法:一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

4 臧风妮;智能视频监控中海面舰船目标检测算法研究[D];中国海洋大学;2014年

5 陈伟;基于PSO的复杂工业环境视觉目标检测算法应用研究[D];武汉科技大学;2008年

中国硕士学位论文全文数据库 前10条

1 刘恒建;基于FPGA+DSP的运动目标检测系统的设计与实现[D];南京理工大学;2015年

2 贾建英;视频序列中运动目标检测算法研究[D];长安大学;2015年

3 周亚运;基于TMS320DM642平台的红外运动目标检测算法设计[D];南京理工大学;2015年

4 姚丹;基于多光谱信息融合的弱小运动目标检测技术研究[D];哈尔滨工业大学;2015年

5 刘培培;基于区域特征的运动目标检测算法的研究与开发[D];广西大学;2015年

6 崔璇;天空背景下红外小目标检测算法研究[D];陕西师范大学;2015年

7 范肖肖;基于视觉注意机制的目标检测算法的研究[D];电子科技大学;2015年

8 丁婵;运动目标检测算法在嵌入式平台的研究[D];电子科技大学;2015年

9 张冠雄;基于标签传播的显著性目标检测算法研究[D];大连理工大学;2015年

10 李建波;视频监控中运动目标检测算法的研究[D];哈尔滨工业大学;2014年



本文编号:1048116

资料下载
论文发表

本文链接:https://www.wllwen.com/shoufeilunwen/xixikjs/1048116.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户76248***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com