【摘要】：近年來,隨著人工智能技術(shù)的迅猛發(fā)展,機(jī)器視覺滲透到我們生活中的各個(gè)方面,人們的生活發(fā)生了日新月異的變化。行人檢測(cè)作為其中一項(xiàng)較為基礎(chǔ)的識(shí)別技術(shù),對(duì)安防監(jiān)控、自動(dòng)駕駛、新零售等多個(gè)領(lǐng)域提供技術(shù)支持,具有廣泛的應(yīng)用場(chǎng)景。本論文主要以SSD目標(biāo)檢測(cè)算法為基礎(chǔ),針對(duì)遮擋行人這一特定目標(biāo),重新設(shè)計(jì)其網(wǎng)絡(luò)結(jié)構(gòu),使其檢測(cè)性能得到大幅度的提高。本文主要包括以下內(nèi)容:論文對(duì)行人檢測(cè)的研究難點(diǎn)及現(xiàn)狀做了簡(jiǎn)單的總結(jié),對(duì)傳統(tǒng)的基于機(jī)器學(xué)習(xí)的行人檢測(cè)方法以及基于深度學(xué)習(xí)目標(biāo)檢測(cè)算法的相關(guān)知識(shí)做了梳理。其中,基于HOG+SVM的行人檢測(cè)算法是傳統(tǒng)方法中最為經(jīng)典的一種算法,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要包括RCNN系列、SSD以及YOLO系列三大類。之后,綜合考慮檢測(cè)的速度與性能,采用自建的遮擋行人數(shù)據(jù)集訓(xùn)練了一個(gè)基于SSD目標(biāo)檢測(cè)框架的行人檢測(cè)系統(tǒng),并用測(cè)試集以及重新標(biāo)注的INRIA測(cè)試集對(duì)OpenCV中自帶的基于HOG+SVM的行人檢測(cè)系統(tǒng)和訓(xùn)練好的SSD模型進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明SSD模型的檢測(cè)效果要明顯好于傳統(tǒng)的基于HOG+SVM的行人檢測(cè)系統(tǒng),通過深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征更具有魯棒性。最后,針對(duì)遮擋行人檢測(cè),對(duì)SSD模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了相應(yīng)的修改。(1)在SSD模型的前置網(wǎng)絡(luò)中,加入了SE-Inception結(jié)構(gòu),使其能夠更加高效的提取特征;(2)重新設(shè)計(jì)了網(wǎng)絡(luò)中的先驗(yàn)框,使其能夠更加容易的匹配到行人的形狀,并對(duì)小尺寸的行人采用了密集采樣的策略;(3)針對(duì)行人中容易出現(xiàn)環(huán)境遮擋和相互遮擋的情況,在模型的訓(xùn)練集中加入了遮擋行人的數(shù)據(jù),并采用Repulsion Loss增強(qiáng)模型對(duì)遮擋行人的檢測(cè)能力。最終實(shí)驗(yàn)結(jié)果表明改進(jìn)的SSD模型在小幅增加檢測(cè)時(shí)間的情況下,檢測(cè)性能有了大幅度的提升。
【圖文】：

圖 2-2 神經(jīng)網(wǎng)絡(luò)模型Figure 2-2 Neural network model絡(luò)主要包括輸入層，中間層和輸出層，其中，中間層也可稱為隱層神經(jīng)網(wǎng)絡(luò)叫做多層神經(jīng)網(wǎng)絡(luò)。一般用 表示神經(jīng)網(wǎng)絡(luò)的總層數(shù)，其圖中，輸入層為 ，隱含層為 ，輸出層為 ， 。圖中的神 、 表示，，其中， 表示第 l 層第 j 個(gè)單元與 l+1 層第 i 個(gè)單表示第 l+1 層第 i 個(gè)單元的偏置項(xiàng)，使用 表示第 l 層第 i 個(gè)單元作為下一層的輸入值，激活函數(shù) f 一般采用 Sigmoid 函數(shù)，其公 2-3 為其函數(shù)圖像。

圖 2-3 Sigmoid 函數(shù)圖像Figure 2-3 Figure of Sigmoid function神經(jīng)網(wǎng)絡(luò)的前向傳播過程用式（2-8），（2-9），（2-10），（終的輸出值。
【學(xué)位授予單位】：廣西科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP181;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 舒朗;郭春生;;基于回歸與深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測(cè)算法[J];軟件導(dǎo)刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標(biāo)檢測(cè)算法[J];機(jī)電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標(biāo)檢測(cè)算法分析[J];測(cè)繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測(cè)算法性能的方法[J];華中理工大學(xué)學(xué)報(bào);1994年05期

5 許云;李彬;;基于背景遺傳模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];自動(dòng)化技術(shù)與應(yīng)用;2017年03期

6 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測(cè)算法[J];通信技術(shù);2015年07期

7 諸葛霞;向健勇;;基于分形特征的目標(biāo)檢測(cè)算法概述及仿真[J];紅外技術(shù);2006年10期

8 方路平;何杭江;周國民;;目標(biāo)檢測(cè)算法研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2018年13期

9 尚海林;;復(fù)雜場(chǎng)景下弱小目標(biāo)檢測(cè)算法的FPGA實(shí)現(xiàn)[J];航空兵器;2007年04期

相關(guān)會(huì)議論文 前10條

1 何元磊;李紅軍;周陸軍;李旭淵;顧立林;尼濤;;基于端元豐度量化的高光譜圖像目標(biāo)檢測(cè)算法[A];國家安全地球物理叢書（十一）——地球物理應(yīng)用前沿[C];2015年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測(cè)算法[A];第八屆全國信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)議論文摘要集[C];2011年

4 許俊平;張啟衡;張耀;王華闖;;基于人眼視覺特性的小目標(biāo)檢測(cè)算法[A];2006年全國光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標(biāo)檢測(cè)算法性能研究[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

6 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測(cè)算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

7 鄭偉成;李學(xué)偉;劉宏哲;;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[A];中國計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2018年

8 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

9 劉峰;奚曉梁;沈同圣;;基于最大值投影的空間小目標(biāo)檢測(cè)算法[A];第二屆空間目標(biāo)與碎片監(jiān)測(cè)、清理技術(shù)及應(yīng)用學(xué)術(shù)研討會(huì)論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

相關(guān)博士學(xué)位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標(biāo)檢測(cè)算法研究[D];哈爾濱工程大學(xué);2018年

2 趙紅燕;被動(dòng)多基站雷達(dá)目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

3 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

4 李健;星載寬幅SAR及目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2018年

5 潘雪莉;機(jī)載環(huán)視SAR海面特性和艦船目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2018年

6 陳宇環(huán);聯(lián)合時(shí)空特征的視覺顯著目標(biāo)檢測(cè)算法研究[D];深圳大學(xué);2018年

7 曾冬冬;視頻監(jiān)控中的前景目標(biāo)檢測(cè)算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

8 王志虎;基于顯著性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

9 郭明瑋;基于視覺記憶的目標(biāo)檢測(cè)算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

10 王俊強(qiáng);圖像中人體目標(biāo)檢測(cè)算法研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 熊詠平;基于YOLO的深度學(xué)習(xí)目標(biāo)檢測(cè)算法研究[D];武漢科技大學(xué);2019年

2 崔金剛;基于SSD的目標(biāo)檢測(cè)研究與實(shí)現(xiàn)[D];中北大學(xué);2019年

3 劉宗寶;基于深度學(xué)習(xí)的水下視頻目標(biāo)檢測(cè)與跟蹤[D];哈爾濱工程大學(xué);2019年

4 謝暢;基于邊界先驗(yàn)及對(duì)比度優(yōu)化的顯著目標(biāo)檢測(cè)算法[D];上海交通大學(xué);2017年

5 韓卓;TensorFlow平臺(tái)目標(biāo)檢測(cè)模型的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2019年

6 姚筑宇;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究與應(yīng)用[D];北京郵電大學(xué);2019年

7 胡振寰;基于深度學(xué)習(xí)算法的遮擋行人檢測(cè)[D];廣西科技大學(xué);2019年

8 王悅;用于建筑工地安全生產(chǎn)監(jiān)控的目標(biāo)檢測(cè)算法研究[D];深圳大學(xué);2018年

9 鮑金玉;基于視頻分析的車輛智能監(jiān)測(cè)技術(shù)研究[D];北方工業(yè)大學(xué);2019年

10 周立學(xué);基于卷積神經(jīng)網(wǎng)絡(luò)的隧道目標(biāo)檢測(cè)算法研究[D];武漢理工大學(xué);2018年

本文編號(hào)：2619426