由于其應用場景的廣泛性,行人檢測技術對于機器人、汽車輔助駕駛及自動駕駛、視頻的監(jiān)控以及對于視頻中行人的行為預判提供了非常重要的技術支持,使其成為計算機領域一個非常重要的分支。近年來,智能家居系統(tǒng)的概念已經走向大眾并且得到了廣泛的應用,現(xiàn)在的智能家居系統(tǒng)都配備有監(jiān)控系統(tǒng),室內和門口以及室外都可以或者需要安裝監(jiān)控系統(tǒng)以備不時之需。監(jiān)控系統(tǒng)給家庭環(huán)境帶來了極大的安全保障。行人檢測作為視頻監(jiān)控中的主要問題,研究相關算法對于提高智能家居中監(jiān)控視頻的性能具有很重要的意義。行人檢測的研究和發(fā)展主要經歷了三個階段:首先是基于圖像處理的行人檢測方法:光流法、幀差法和背景差法。然后,2005年提出的梯度方向直方圖成為這一領域的一大突破,基于HOG(Histogram of Oriented Gradient,梯度方向直方圖)的特征提取使得行人直接類內的特征差異小而與其他類別之間的差異大。此后的行人、目標檢測方法的發(fā)展和優(yōu)化都是在這個基礎上進行發(fā)展的。最后一種就是現(xiàn)階段效果最優(yōu)的基于深度學習的方法,目標檢測中較為突出的代表則是 Faster R-CNN(Faster Regions with convolutional neural networks features),無論是速度還是精度上都具有很大的優(yōu)勢。本文對比了多種行人檢測方法,對各種方法存在的問題進行了分析,最終將基于Faster R-CNN的目標檢測方法運用到了智能家居中的行人檢測中,取得的主要研究成果如下。(1)分別利用背景建模和幀間差法,以及基于機器學習的提取圖像HOG特征,結合SVM分類器對智能家居監(jiān)控視頻中的行人進行檢測,并對每種方法存在的問題進行了總結;(2)設計與實現(xiàn)了將Faster R-CNN算法運用在智能家居的行人檢測當中,構建并實現(xiàn)了行人檢測系統(tǒng),并且通過GPU對行人檢測進行加速以實現(xiàn)實時檢測。(3)利用智能家居中的行人檢測系統(tǒng),我們可以實現(xiàn)1)運用Faster R-CNN算法檢測行人并保存下圖像;2)發(fā)送該圖像到網絡服務器;3)將上傳到服務器上的圖片推送到手機,對智能家庭的安全性提供保障。實驗證明,即使在復雜的場景中,本系統(tǒng)的實時性也滿足要求,具備良好的性能。
【學位單位】：中國科學技術大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TP391.41;TU855
【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 智能家居中行人檢測的背景和意義
    1.2 行人檢測研究難點及研究現(xiàn)狀
    1.3 本文主要工作
    1.4 論文組織架構
第2章 行人檢測相關技術
    2.1 圖像處理基礎
        2.1.1 圖像預處理
        2.1.2 圖像分割
    2.2 傳統(tǒng)的運動目標檢測的方法
        2.2.1 背景減去法
        2.2.2 幀差法
        2.2.3 基于背景建模的行人檢測
    2.3 基于HOG特征提取與SVM分類器的行人檢測
        2.3.1 提取圖像的HOG特征
        2.3.2 支持向量機SVM的分類器
        2.3.3 基于HOG和SVM的行人檢測過程和結果
    2.4 深度學習基礎
        2.4.1 監(jiān)督學習
        2.4.2 神經網絡
        2.4.3 網絡的反向傳播
        2.4.4 卷積神經網絡
第3章 基于Faster R-CNN的智能家居的行人檢測
    3.1 基于深度學習的Faster R-CNN的基礎
        3.1.1 區(qū)域建議網絡
        3.1.2 平移不變的錨點
        3.1.3 學習區(qū)域建議的損失函數(shù)
        3.1.4 優(yōu)化
        3.1.5 區(qū)域建議和物體檢測共享卷積特征
        3.1.6 利用CUDA對非極大值抑制部分加速計算
    3.2 行人檢測網絡訓練
        3.2.1 訓練流程
        3.2.2 具體的訓練細節(jié)
    3.3 智能家居中行人檢測流程
    3.4 檢測結果與分析
第4章 智能家居中行人檢測的系統(tǒng)設計
    4.1 系統(tǒng)的整體架構
    4.2 利用Socket將圖片上傳到服務器
        4.2.1 Socket通信的基礎知識
        4.2.2 對數(shù)據(jù)加包頭進行傳輸
    4.3 利用個推將消息推送到手機
    4.4 實驗結果與分析
第5章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
在讀期間發(fā)表的學術論文與取得的其他研究成果

【參考文獻】

相關期刊論文 前10條

1 於正強;潘赟;宦若虹;;一種結合幀差法和混合高斯的運動檢測算法[J];計算機應用與軟件;2015年04期

2 閆鈞華;杭誼青;許俊峰;儲林臻;;基于CUDA的高分辨率數(shù)字視頻圖像配準快速實現(xiàn)[J];儀器儀表學報;2014年02期

3 郝維來;吳旨競;;基于隔幀差分和背景減去法的運動車輛檢測算法[J];工業(yè)儀表與自動化裝置;2013年03期

4 吳頎峰;董丹丹;;基于GPU的數(shù)字圖像處理算法研究[J];青春歲月;2012年14期

5 劉松濤;殷福亮;;基于圖割的圖像分割方法及其新進展[J];自動化學報;2012年06期

6 張秋仙;;幀間差分法與平均背景法在運動檢測中應用的研究[J];企業(yè)科技與發(fā)展;2010年18期

7 張廣坤;宋進;李培龍;李玲;;基于多幀差分與自適應技術的運動目標檢測方法研究[J];機電一體化;2010年07期

8 張藝瀕;張志斌;趙詠;郭莉;;TCP與UDP網絡流量對比分析研究[J];計算機應用研究;2010年06期

9 夏玲;王偉平;;客戶端與服務器端的Socket通信[J];電腦知識與技術;2009年04期

10 王榮本;郭烈;金立生;顧柏園;余天洪;;智能車輛安全輔助駕駛技術研究近況[J];公路交通科技;2007年07期

本文編號：2878785