基于深度学习的行人检测技术研究

发布时间：2021-01-28 12:22

　　行人检测是智能视频分析的重要内容,通过计算机视觉技术判断图像或者视频序列中是否存在行人并给予精确定位。受行人个体之间尺度差异和相互遮挡等因素影响,行人检测方法存在特征提取效果不佳、定位精度较低和检测速度较慢的问题,因此行人检测受到众多研究者的广泛关注。本文围绕基于深度学习的行人检测方法,在小行人检测、密集行人检测等方面展开研究,具体如下:在基于卷积神经网络的行人检测方面,研究实现了基于Faster R-CNN、Cascade R-CNN和RetinaNet的三种行人检测方法,并在Caltech数据集上进行评测。实验结果表明,单阶段的RetinaNet方法能在AP50、Recall和行人检测效率指标上领先于Faster R-CNN和Cascade R-CNN,但其过于密集的锚点框铺设使得mMR和F1 score表现不佳。在小行人检测方面,提出了改进的小行人特征提取方法。首先,通过调整Kmeans聚类距离度量参数,得到与真实框贴合度更高的锚点框,解决卷积神经网络特征提取和边界框回归训练过程中复杂度高的问题。其次,在YOLOv3框架所使用的主干卷积神经网络上引入密集连接模块,增强算法对小行人... 

【文章来源】：中国人民公安大学北京市

【文章页数】：109 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 行人检测
        1.2.2 小行人检测
        1.2.3 密集行人检测
    1.3 本文主要研究内容与结构安排
        1.3.1 主要研究内容
        1.3.2 结构安排
2 基于卷积神经网络的行人检测
    2.1 基于Faster R-CNN的行人检测
    2.2 基于Cascade R-CNN的行人检测
    2.3 基于RetinaNet的行人检测
    2.4 实验与结果分析
        2.4.1 实验环境
        2.4.2 数据集与评估指标
            2.4.2.1 数据集
            2.4.2.2 评估指标
        2.4.3 实验过程
        2.4.4 实验结果分析
    2.5 本章小结
3 小行人检测
    3.1 YOLO系列行人检测
        3.1.1 基于YOLOv1的行人检测
        3.1.2 基于YOLOv2的行人检测
        3.1.3 基于YOLOv3的行人检测
    3.2 改进的YOLOv3单阶段小行人检测
        3.2.1 网络框架
            3.2.1.1 多尺度与特征金字塔
            3.2.1.2 网络密集连接
        3.2.2 距离度量
    3.3 实验与结果分析
        3.3.1 实验环境
        3.3.2 数据集与评估指标
        3.3.3 实验过程
        3.3.4 实验结果分析
    3.4 本章小结
4 密集行人检测
    4.1 密集行人检测方法
    4.2 边界框回归
        4.2.1 L2范数与MSE边界框回归损失
        4.2.2 L1范数与MAE边界框回归损失
        4.2.3 Smooth L1边界框回归损失
        4.2.4 IoU 边界框回归损失
        4.2.5 GIoU 边界框回归损失
    4.3 改进的密集行人检测方法
        4.3.1 总体框架
        4.3.2 边界框回归损失
            4.3.2.1 DIoU边界框回归损失
            4.3.2.2 CIoU边界框回归损失
    4.4 实验与结果分析
        4.4.1 实验环境
        4.4.2 数据集与评估指标
        4.4.3 实验过程与结果分析
    4.5 本章小结
5 基于深度学习的行人检测软件实现
    5.1 开发环境与界面设计
        5.1.1 开发环境
        5.1.2 界面设计
            5.1.2.1 “用户登录”界面
            5.1.2.2 “功能选择”界面
            5.1.2.3 “视频行人检测”界面
            5.1.2.4 “单图行人检测”界面
            5.1.2.5 “数据集性能评估”界面
    5.2 软件功能实现
        5.2.1 视频行人检测功能实现
        5.2.2 单图行人检测功能实现
        5.2.3 数据集性能评估功能实现
    5.3 本章小结
结论
参考文献
在学研究成果
    一、 在学期间所获的奖励
    二、 在学期间发表的论文
致谢


【参考文献】：
硕士论文
[1]跨摄像机行人跟踪方法研究与实现[D]. 周婧琳.中国人民公安大学 2019



本文编号：3004989