基于MobileNetV2的目标检测算法研究与应用
发布时间：2021-02-05 22:38
随深度学习的发展和硬件设备的完善,目标检测逐渐成为计算机视觉方向的重要研究内容之一。它具备自动化和智能化属性,能够确定图像中是否包含指定目标,并给出目标准确的位置信息,在智慧交通、视频监控等诸多场景有着广泛应用。然而在图像背景复杂和目标被遮挡等的情况下,很难得到较好的检测效果,而且卷积神经网络的使用让模型复杂度有所提升,进而带来了计算成本的增加,导致算法应用在算力较低的设备上时出现计算速度慢等问题。基于此,本文对基于深度学习的目标检测方法展开了深入研究,构建了一种轻量化的目标检测模型,并在自制装甲板数据集上对本文所设计模型进行应用。其中,主要的工作如下。1.在目标检测任务中,传统的方法大多使用手工设计的特征算法对图像进行分类,因此存在鲁棒性差,耗时过长等问题。基于此,本文引入卷积神经网络作为目标检测的依赖结构。在对卷积神经网络结构进行分析的基础上,分别研究了基于单阶段和基于两阶段的检测模型,采用了单阶段检测器（SSD）中锚点框回归的方式来设计网络模型,在不同尺度的特征图上实现对目标的预测。2.针对现有SSD模型参数量过大、检测效率较低的问题,引入了MobileNetV2网络中的深度可分...
【文章来源】：湖北工业大学湖北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图像分
湖北工业大学硕士学位论文6图2.1HOG特征示意图2.1.2边框位置回归在特征提取前需生成若干个可能包含物体的候选框，由于候选框的预测位置可能不是很准确，因此需要对其进行调整，使其更接近待测目标的真实值。如图2.2所示，该图为本文自制装甲板数据集中的一张图片，在这张图中需要检测的目标为带有两个灯条的那块标识板（本文称其为“装甲板”），绿色框表示真实位置，即需检测的装甲板目标，红色框表示候选框的预测位置，从图中可以看出，预测位置与真实位置相差过大。在这种情况下，哪怕红色框被正确地识别为装甲板，但由于其标识的位置与真实位置的不相符，也使得待检测装甲板并没有被准确地检测出来，因此需要对预测框进行正确地位置回归。
湖北工业大学硕士学位论文7图2.2装甲板的预测框与真实框在进行位置回归前对预测框和真实框之间的重叠程度进行计算，用交并比(Intersection-over-Union，IoU)来表示，其计算方式如式2-1所示:)()()()(GACAGACAIoU(2-1)其中，CA)(代表预测框的面积，GA)(代表真实框的面积。IoU从数学上看表示预测框与真实框的重叠部分除以集合部分得到的比值。在回归的过程中，需要对预测框的坐标进行微调，使其更接近真实框。令P为原始生成的候选框，G为真实框，G代表P经过位置回归后的检测框。我们用四维向量hwyx),,,(来表示矩形框在图像中的位置，其中x、y分别代表矩形框左上角在像素坐标系中的横、纵坐标，w和h分别代表矩形框在像素坐标系中的宽和高。则回归的过程可以表示为：找到一种映射关系F，使得：),,,(),,,(),,,(GGGGGGGGPPPPFhwyxhwyxhwyx（2-2）所使用的回归方式是先对边框进行平移，再对边框的宽和高按一定比例进行缩放。2.1.3非极大值抑制在经过前述的两个步骤后，模型通常会输出许多重叠的预测框，因此还需在后置处理阶段使用一种剔除策略来去除冗余的预测框以只保留一个最佳预测框。本文借鉴非极大值抑制算法（Non-maximumsuppression,NMS）的思想，来消除最高置信度预测框周围的低置信度预测框，以此来实现目标只有一个最佳的矩形包围框的目的。NMS算法的流程图如图2.3所示，首先将得到的预测框的置信度从高到低排序，选出最高置信度和其对应的候选框，然后遍历其余的候选框，如果和当前最高置信度候选框的交并比(IoU)大于给定阈值Nt（通常设置为0.5）就将
【参考文献】：
期刊论文
[1]鲁棒主成分分析的运动目标检测综述[J]. 蔡念,周杨,刘根,杨志景,凌永权. 中国图象图形学报. 2016(10)
[2]移动摄像机环境下基于特征变换和SVM的分级行人检测算法[J]. 田广,戚飞虎. 电子学报. 2008(05)
硕士论文
[1]基于深度学习的对地目标检测技术研究[D]. 李小宁.中国科学院大学(中国科学院光电技术研究所) 2019
[2]基于深度学习的视频多目标检测研究[D]. 葛自立.贵州大学 2019
[3]基于Faster R-CNN的交通标志检测方法[D]. 杨梦梦.湖北工业大学 2019
[4]基于深度学习的静态图像目标检测研究[D]. 严海.华北电力大学 2019
本文编号：3019694
【文章来源】：湖北工业大学湖北省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图像分
湖北工业大学硕士学位论文6图2.1HOG特征示意图2.1.2边框位置回归在特征提取前需生成若干个可能包含物体的候选框，由于候选框的预测位置可能不是很准确，因此需要对其进行调整，使其更接近待测目标的真实值。如图2.2所示，该图为本文自制装甲板数据集中的一张图片，在这张图中需要检测的目标为带有两个灯条的那块标识板（本文称其为“装甲板”），绿色框表示真实位置，即需检测的装甲板目标，红色框表示候选框的预测位置，从图中可以看出，预测位置与真实位置相差过大。在这种情况下，哪怕红色框被正确地识别为装甲板，但由于其标识的位置与真实位置的不相符，也使得待检测装甲板并没有被准确地检测出来，因此需要对预测框进行正确地位置回归。
湖北工业大学硕士学位论文7图2.2装甲板的预测框与真实框在进行位置回归前对预测框和真实框之间的重叠程度进行计算，用交并比(Intersection-over-Union，IoU)来表示，其计算方式如式2-1所示:)()()()(GACAGACAIoU(2-1)其中，CA)(代表预测框的面积，GA)(代表真实框的面积。IoU从数学上看表示预测框与真实框的重叠部分除以集合部分得到的比值。在回归的过程中，需要对预测框的坐标进行微调，使其更接近真实框。令P为原始生成的候选框，G为真实框，G代表P经过位置回归后的检测框。我们用四维向量hwyx),,,(来表示矩形框在图像中的位置，其中x、y分别代表矩形框左上角在像素坐标系中的横、纵坐标，w和h分别代表矩形框在像素坐标系中的宽和高。则回归的过程可以表示为：找到一种映射关系F，使得：),,,(),,,(),,,(GGGGGGGGPPPPFhwyxhwyxhwyx（2-2）所使用的回归方式是先对边框进行平移，再对边框的宽和高按一定比例进行缩放。2.1.3非极大值抑制在经过前述的两个步骤后，模型通常会输出许多重叠的预测框，因此还需在后置处理阶段使用一种剔除策略来去除冗余的预测框以只保留一个最佳预测框。本文借鉴非极大值抑制算法（Non-maximumsuppression,NMS）的思想，来消除最高置信度预测框周围的低置信度预测框，以此来实现目标只有一个最佳的矩形包围框的目的。NMS算法的流程图如图2.3所示，首先将得到的预测框的置信度从高到低排序，选出最高置信度和其对应的候选框，然后遍历其余的候选框，如果和当前最高置信度候选框的交并比(IoU)大于给定阈值Nt（通常设置为0.5）就将
【参考文献】：
期刊论文
[1]鲁棒主成分分析的运动目标检测综述[J]. 蔡念,周杨,刘根,杨志景,凌永权. 中国图象图形学报. 2016(10)
[2]移动摄像机环境下基于特征变换和SVM的分级行人检测算法[J]. 田广,戚飞虎. 电子学报. 2008(05)
硕士论文
[1]基于深度学习的对地目标检测技术研究[D]. 李小宁.中国科学院大学(中国科学院光电技术研究所) 2019
[2]基于深度学习的视频多目标检测研究[D]. 葛自立.贵州大学 2019
[3]基于Faster R-CNN的交通标志检测方法[D]. 杨梦梦.湖北工业大学 2019
[4]基于深度学习的静态图像目标检测研究[D]. 严海.华北电力大学 2019
本文编号：3019694
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3019694.html
