【摘要】：近年來,隨著人工智能技術的迅猛發(fā)展,機器視覺滲透到我們生活中的各個方面,人們的生活發(fā)生了日新月異的變化。行人檢測作為其中一項較為基礎的識別技術,對安防監(jiān)控、自動駕駛、新零售等多個領域提供技術支持,具有廣泛的應用場景。本論文主要以SSD目標檢測算法為基礎,針對遮擋行人這一特定目標,重新設計其網絡結構,使其檢測性能得到大幅度的提高。本文主要包括以下內容:論文對行人檢測的研究難點及現狀做了簡單的總結,對傳統(tǒng)的基于機器學習的行人檢測方法以及基于深度學習目標檢測算法的相關知識做了梳理。其中,基于HOG+SVM的行人檢測算法是傳統(tǒng)方法中最為經典的一種算法,基于深度學習的目標檢測算法主要包括RCNN系列、SSD以及YOLO系列三大類。之后,綜合考慮檢測的速度與性能,采用自建的遮擋行人數據集訓練了一個基于SSD目標檢測框架的行人檢測系統(tǒng),并用測試集以及重新標注的INRIA測試集對OpenCV中自帶的基于HOG+SVM的行人檢測系統(tǒng)和訓練好的SSD模型進行對比實驗。實驗結果表明SSD模型的檢測效果要明顯好于傳統(tǒng)的基于HOG+SVM的行人檢測系統(tǒng),通過深度卷積神經網絡學習到的特征更具有魯棒性。最后,針對遮擋行人檢測,對SSD模型的網絡結構進行了相應的修改。(1)在SSD模型的前置網絡中,加入了SE-Inception結構,使其能夠更加高效的提取特征;(2)重新設計了網絡中的先驗框,使其能夠更加容易的匹配到行人的形狀,并對小尺寸的行人采用了密集采樣的策略;(3)針對行人中容易出現環(huán)境遮擋和相互遮擋的情況,在模型的訓練集中加入了遮擋行人的數據,并采用Repulsion Loss增強模型對遮擋行人的檢測能力。最終實驗結果表明改進的SSD模型在小幅增加檢測時間的情況下,檢測性能有了大幅度的提升。
【圖文】：

圖 2-2 神經網絡模型Figure 2-2 Neural network model絡主要包括輸入層，中間層和輸出層，其中，中間層也可稱為隱層神經網絡叫做多層神經網絡。一般用 表示神經網絡的總層數，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 個單元與 l+1 層第 i 個單表示第 l+1 層第 i 個單元的偏置項，使用 表示第 l 層第 i 個單元作為下一層的輸入值，激活函數 f 一般采用 Sigmoid 函數，其公 2-3 為其函數圖像。

圖 2-3 Sigmoid 函數圖像Figure 2-3 Figure of Sigmoid function神經網絡的前向傳播過程用式（2-8），（2-9），（2-10），（終的輸出值。
【學位授予單位】：廣西科技大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TP391.41

【相似文獻】

相關期刊論文 前9條

1 舒朗;郭春生;;基于回歸與深度強化學習的目標檢測算法[J];軟件導刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數據聚類的目標檢測算法[J];機電產品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標檢測算法分析[J];測繪科學;2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報;1994年05期

5 許云;李彬;;基于背景遺傳模型的運動目標檢測算法[J];自動化技術與應用;2017年03期

6 杜佳;宋春林;;一種改進的毫米波雷達多目標檢測算法[J];通信技術;2015年07期

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

8 方路平;何杭江;周國民;;目標檢測算法研究綜述[J];計算機工程與應用;2018年13期

9 尚海林;;復雜場景下弱小目標檢測算法的FPGA實現[J];航空兵器;2007年04期

相關會議論文 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檢測算法[A];國家安全地球物理叢書（十一）——地球物理應用前沿[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檢測算法[A];第八屆全國信號與信息處理聯合學術會議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標檢測算法[A];全國第22屆計算機技術與應用學術會議(CACIS·2011)暨全國第3屆安全關鍵技術與應用（SCA·2011）學術會議論文摘要集[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檢測算法[A];2006年全國光電技術學術交流會會議文集（D 光電信息處理技術專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標檢測算法性能研究[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;;一種基于導引頭穩(wěn)定平臺結構的目標檢測算法[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

7 鄭偉成;李學偉;劉宏哲;;基于深度學習的目標檢測算法綜述[A];中國計算機用戶協會網絡應用分會2018年第二十二屆網絡新技術與應用年會論文集[C];2018年

8 劉昊;趙龍;;基于改進混合高斯模型的運動目標檢測算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[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檢測算法[A];第二屆空間目標與碎片監(jiān)測、清理技術及應用學術研討會論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時空信息的運動目標檢測算法[A];第二屆和諧人機環(huán)境聯合學術會議(HHME2006)——第15屆中國多媒體學術會議(NCMT'06)論文集[C];2006年

相關博士學位論文 前10條

1 張麗麗;基于空譜聯合特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2018年

2 趙紅燕;被動多基站雷達目標檢測算法研究[D];西安電子科技大學;2017年

3 郭小路;多通道雷達干擾抑制與目標檢測算法研究[D];西安電子科技大學;2017年

4 李健;星載寬幅SAR及目標檢測算法研究[D];西安電子科技大學;2018年

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

6 陳宇環(huán);聯合時空特征的視覺顯著目標檢測算法研究[D];深圳大學;2018年

7 曾冬冬;視頻監(jiān)控中的前景目標檢測算法研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

8 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學技術大學;2015年

9 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯想的過程[D];中國科學技術大學;2014年

10 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學;2012年

相關碩士學位論文 前10條

1 熊詠平;基于YOLO的深度學習目標檢測算法研究[D];武漢科技大學;2019年

2 崔金剛;基于SSD的目標檢測研究與實現[D];中北大學;2019年

3 劉宗寶;基于深度學習的水下視頻目標檢測與跟蹤[D];哈爾濱工程大學;2019年

4 謝暢;基于邊界先驗及對比度優(yōu)化的顯著目標檢測算法[D];上海交通大學;2017年

5 韓卓;TensorFlow平臺目標檢測模型的設計與實現[D];北京郵電大學;2019年

6 姚筑宇;基于深度學習的目標檢測研究與應用[D];北京郵電大學;2019年

7 胡振寰;基于深度學習算法的遮擋行人檢測[D];廣西科技大學;2019年

8 王悅;用于建筑工地安全生產監(jiān)控的目標檢測算法研究[D];深圳大學;2018年

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

10 周立學;基于卷積神經網絡的隧道目標檢測算法研究[D];武漢理工大學;2018年

本文編號：2619426