城市街景影像中行人车辆检测实现
发布时间：2022-01-20 08:01
随着智慧城市建设的发展,城市街景作为一种全新的地图服务方式应用在城市建设中,影像服务的主要方式为街景影像地图浏览服务,其中物体目标检测是目前计算机视觉研究的热门方向之一。城市街景中目标检测已经成为城市治理能力综合提升的重要环节。但目前在街景影像中要实现良好的目标检测效果仍然存在一些问题,例如街景背景复杂性,影像检索时间长,复杂场景下的行人、车辆检测面临着尺度变化、外观姿态变化、目标重复和遮挡等。针对街景影像中目标检测存在的问题,本文研究一种改进Yolo V3深度学习算法,对街景影像中的行人车辆信息进行检测,提升目标检测的速度与精度。本文主要开展的研究内容如下:1.对目标检测的发展历程进行了系统概述。从理论部分对传统目标检测的基本流程以及框架结构进行阐述和对深度学习主要部分卷积神经网络进行介绍。并通过对深度学习中两类主要代表性算法进行分析,作为文章实验结论的对比部分。2.根据城市街景影像的行人车辆检测的特点,提出一种改进算法,主要从精度与速度方面对Yolo V3算法进行改进,精度方面引入高级语义嵌入（SEB）的思想,将图像高层特征与低层特征进行融合。速度方面引入轻量级检测端的思想,提升图...
【文章来源】：北京建筑大学北京市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
技术路线流程图
第2章目标检测算法理论12图2-2基于SVM的目标分类检测策略Fig.2-2TargetclassificationdetectionstrategybasedonSVM支持向量机的方法，在目标检测问题上弥补了神经网络分类器的不足。首先,统计学习理论为方法准备了坚实的理论基矗其次，支持向量机方法在学习分类器的设计上更为简单,可供选择的系统参数更少而且易于调整。2.Adaboost算法AdaBoost算法的全称是自适应boosting（AdaptiveBoosting），是一种用于二分类问题的算法，它用弱分类器的线性组合来构造强分类器，迭代中进行权重的更新。弱分类器的性能不用太好，仅比随机猜测强，依靠它们可以构造出一个非常准确的强分类器。AdaBoost属于Boosting提升方法的一种，可以理解为基于几个基础学习器的线性组合，Adaboost的算法公式为：)()(1xxHTttth(2-4)其中H(x)为AdaBoost模型的最后输出，T为基学习器的个数，h(x)是每一个基学习器输出的label，α为该分类器所拥有的权重，目的是为了增大分类错误样本的权重。
第2章目标检测算法理论132.3卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种具有局部连接，权重共享等特性的深度前馈神经网络，最早就是用来进行图像信息内容处理。近年来卷积神经网络也逐渐应用到图片分类、图片检索、目标分割、姿态估计等领域。在开始深度学习的算法阶段首先需要了解卷积神经网络的基本结构。2.3.1卷积计算卷积层保留了输入图像的空间特征，也就是对于一张输入的图像来说，进行空间特征提取的过程由卷积操作来执行。卷积操作的主要过程中引入了一个新的概念：卷积核（常简称为卷积，也称作为滤波器filter），卷积的大小可以在实际的需要时自定义其长和宽，常见的卷积核主要有1*1，3*3，5*5大小的，其通道的个数一般设置为与输入图像的通道数量一致，如图所示：图2-3卷积Fig.2-3Convolution左方块是输入层，尺寸为32*32的3通道图像。右边的小方块是filter，尺寸为5*5，深度为3。将输入层划分为多个区域，用filter这个固定尺寸的助手，在输入层做运算，最终得到一个深度为1的特征图。在进行卷积操作之前，需要确定的参数主要有:（1）卷积核的尺寸大小卷积核的确定需要根据实际图像输入的大小进行相应的调整，卷积核主要使用1*1,3*3,5*5三种形式：
【参考文献】：
期刊论文
[1]基于改进YOLO v2的车辆实时检测算法[J]. 卞山峰,张庆辉. 电子质量. 2019(10)
[2]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[3]一种基于Faster R-CNN的行人检测算法[J]. 夏金铭,范伊红,柳昌志,段高辉. 电脑知识与技术. 2019(24)
[4]基于YOLOv3模型的实时行人检测改进算法[J]. 范丽,苏兵,王洪元. 山西大学学报(自然科学版). 2019(04)
[5]基于改进YOLO算法的密集人群场景下的行人检测[J]. 祝庆发,陈永生,郭玉臣. 电脑知识与技术. 2019(22)
[6]交通场景下的行人和车辆实时检测算法[J]. 周腾,兰时勇. 现代计算机. 2019(21)
[7]基于深度学习的行人和骑行者目标检测及跟踪算法研究[J]. 胡超超,刘军,张凯,高雪婷. 汽车技术. 2019(07)
[8]一种Haar特征车辆检测速度的提升方法[J]. 张涛,陈万培,乔延婷,陈舒涵. 无线电工程. 2019(05)
[9]基于HOG与残差网络的行人检测算法[J]. 高修祥,瞿成明. 黑龙江工业学院学报(综合版). 2019(04)
[10]基于卷积神经网络的多目标实时检测[J]. 刘志成,祝永新,汪辉,田犁,封松林. 计算机工程与设计. 2019(04)
硕士论文
[1]基于深度学习算法的遮挡行人检测[D]. 胡振寰.广西科技大学 2019
[2]基于Mask R-CNN的街景车辆目标的检测方法研究与应用[D]. 黄皓宇.华中师范大学 2019
[3]基于特征的大规模图像检索算法研究[D]. 杨娜娜.西安电子科技大学 2018
[4]基于TensorFlow框架的目标检测与细分系统研发[D]. 何玲.东南大学 2018
[5]基于车载视频的道路车辆及行人检测[D]. 唐诗.电子科技大学 2018
[6]基于Faster RCNN的道路车辆检测算法研究[D]. 刘敦强.南京航空航天大学 2018
[7]基于深度学习的行人目标检测方法[D]. 刘芷含.南京理工大学 2018
[8]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[9]基于深度学习的行人检测[D]. 王斌.北京交通大学 2015
[10]基于背景差法的视频车辆检测算法研究[D]. 钱晋.上海交通大学 2007
本文编号：3598463
【文章来源】：北京建筑大学北京市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
技术路线流程图
第2章目标检测算法理论12图2-2基于SVM的目标分类检测策略Fig.2-2TargetclassificationdetectionstrategybasedonSVM支持向量机的方法，在目标检测问题上弥补了神经网络分类器的不足。首先,统计学习理论为方法准备了坚实的理论基矗其次，支持向量机方法在学习分类器的设计上更为简单,可供选择的系统参数更少而且易于调整。2.Adaboost算法AdaBoost算法的全称是自适应boosting（AdaptiveBoosting），是一种用于二分类问题的算法，它用弱分类器的线性组合来构造强分类器，迭代中进行权重的更新。弱分类器的性能不用太好，仅比随机猜测强，依靠它们可以构造出一个非常准确的强分类器。AdaBoost属于Boosting提升方法的一种，可以理解为基于几个基础学习器的线性组合，Adaboost的算法公式为：)()(1xxHTttth(2-4)其中H(x)为AdaBoost模型的最后输出，T为基学习器的个数，h(x)是每一个基学习器输出的label，α为该分类器所拥有的权重，目的是为了增大分类错误样本的权重。
第2章目标检测算法理论132.3卷积神经网络卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种具有局部连接，权重共享等特性的深度前馈神经网络，最早就是用来进行图像信息内容处理。近年来卷积神经网络也逐渐应用到图片分类、图片检索、目标分割、姿态估计等领域。在开始深度学习的算法阶段首先需要了解卷积神经网络的基本结构。2.3.1卷积计算卷积层保留了输入图像的空间特征，也就是对于一张输入的图像来说，进行空间特征提取的过程由卷积操作来执行。卷积操作的主要过程中引入了一个新的概念：卷积核（常简称为卷积，也称作为滤波器filter），卷积的大小可以在实际的需要时自定义其长和宽，常见的卷积核主要有1*1，3*3，5*5大小的，其通道的个数一般设置为与输入图像的通道数量一致，如图所示：图2-3卷积Fig.2-3Convolution左方块是输入层，尺寸为32*32的3通道图像。右边的小方块是filter，尺寸为5*5，深度为3。将输入层划分为多个区域，用filter这个固定尺寸的助手，在输入层做运算，最终得到一个深度为1的特征图。在进行卷积操作之前，需要确定的参数主要有:（1）卷积核的尺寸大小卷积核的确定需要根据实际图像输入的大小进行相应的调整，卷积核主要使用1*1,3*3,5*5三种形式：
【参考文献】：
期刊论文
[1]基于改进YOLO v2的车辆实时检测算法[J]. 卞山峰,张庆辉. 电子质量. 2019(10)
[2]基于深度学习的目标检测算法研究进展[J]. 谢娟英,刘然. 陕西师范大学学报(自然科学版). 2019(05)
[3]一种基于Faster R-CNN的行人检测算法[J]. 夏金铭,范伊红,柳昌志,段高辉. 电脑知识与技术. 2019(24)
[4]基于YOLOv3模型的实时行人检测改进算法[J]. 范丽,苏兵,王洪元. 山西大学学报(自然科学版). 2019(04)
[5]基于改进YOLO算法的密集人群场景下的行人检测[J]. 祝庆发,陈永生,郭玉臣. 电脑知识与技术. 2019(22)
[6]交通场景下的行人和车辆实时检测算法[J]. 周腾,兰时勇. 现代计算机. 2019(21)
[7]基于深度学习的行人和骑行者目标检测及跟踪算法研究[J]. 胡超超,刘军,张凯,高雪婷. 汽车技术. 2019(07)
[8]一种Haar特征车辆检测速度的提升方法[J]. 张涛,陈万培,乔延婷,陈舒涵. 无线电工程. 2019(05)
[9]基于HOG与残差网络的行人检测算法[J]. 高修祥,瞿成明. 黑龙江工业学院学报(综合版). 2019(04)
[10]基于卷积神经网络的多目标实时检测[J]. 刘志成,祝永新,汪辉,田犁,封松林. 计算机工程与设计. 2019(04)
硕士论文
[1]基于深度学习算法的遮挡行人检测[D]. 胡振寰.广西科技大学 2019
[2]基于Mask R-CNN的街景车辆目标的检测方法研究与应用[D]. 黄皓宇.华中师范大学 2019
[3]基于特征的大规模图像检索算法研究[D]. 杨娜娜.西安电子科技大学 2018
[4]基于TensorFlow框架的目标检测与细分系统研发[D]. 何玲.东南大学 2018
[5]基于车载视频的道路车辆及行人检测[D]. 唐诗.电子科技大学 2018
[6]基于Faster RCNN的道路车辆检测算法研究[D]. 刘敦强.南京航空航天大学 2018
[7]基于深度学习的行人目标检测方法[D]. 刘芷含.南京理工大学 2018
[8]基于深度学习的目标检测研究[D]. 付若楠.北京交通大学 2017
[9]基于深度学习的行人检测[D]. 王斌.北京交通大学 2015
[10]基于背景差法的视频车辆检测算法研究[D]. 钱晋.上海交通大学 2007
本文编号：3598463
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3598463.html
