基于深度学习的目标检测算法研究及应用_精品文档资料下载.pdf
《基于深度学习的目标检测算法研究及应用_精品文档资料下载.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的目标检测算法研究及应用_精品文档资料下载.pdf（76页珍藏版）》请在冰豆网上搜索。
ComputerSoftwareandTheoryAuthor:
WeiWanSupervisor:
A.P.PingKuangSchool:
SchoolofInformationandSoftwareEngineering独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。
据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
签名，日期，年月日关于论文使用授权的说明本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。
本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。
（保密的学位论文在解密后应遵守此规定）签名，导师签名，日期，年月日摘要I摘要目标检测是计算机视觉领域中一个富有挑战性的课题，其主要目的是从静态图片或视频中检测并定位特定的目标。
它综合运用了图像处理、模式识别、人工智能和自动控制等技术，在道路交通事故预防、工厂可疑危险品警告、军事禁区监控、高级人机交互等方面有着广泛的应用。
由于目标所处环境复杂多变，目前还没有一种比较通用成熟的检测方法，在实际应用中目标检测算法研究的机遇与挑战并存。
本论文首先分析了国内外目标检测算法的研究现状，着重介绍了当前应用较为广泛的方法，使用目标特征训练分类器进行目标分类检测。
针对使用现有特征训练的分类器进行目标分类检测时存在误检率较高的缺点，本文在深度学习的基础上提出了一种基于卷积神经网络的行人目标检测算法。
为了解决直接使用卷积神经网络进行滑动窗口检测效率较低的问题，本文将算法分为两大步骤：
（1）疑似存在行人窗口确认;
（2）行人检测。
在疑似存在行人窗口确认中，本文使用融合特征作为行人的描述特征训练分类器，采用了邻近尺度特征值相似的思想构建分类器金字塔，在待检图像上利用不同尺度的滑动窗口进行滑动遍历确定疑是存在行人窗口；
在行人检测中，使用大量正负样本训练了一个卷积神经网络，为了更好的适应行人检测，将该卷积神经网络的拓扑结构进行改进。
将疑似存在行人的窗口输入改进后的卷积神经网络进行行人检测，在保持原有的检测率的基础下降低了误检率。
为了验证本文所提出算法的准确性，在INRIA行人数据库进行行人检测实验。
分别以每个窗口和每幅图像为检测单位，统计本文算法的检测率和误检率，在平均每幅图像存在一个误检窗口的标准下，达到了93%的检测率。
检测率比使用ACF特征训练的检测器高三个百分点，检测速度比单独使用卷积神经网络检测提升四倍以上。
实验结果证明了本文算法的有效性。
关键字关键字：
目标检测；
行人检测；
深度学习；
卷积神经网络ABSTRACTIIABSTRACTObjectdetectionisachallengingprobleminthefieldofcomputervisionandwhichmainpurposeistodetectandlocatespecificgoalsfromstaticimagesorvideo.Itisbasedonthetechnologyoftechnologyofimageprocessing,patternrecognition,artificialintelligenceandautomaticcontrolandwidelyusedintrafficaccidentprevention,suspiciouswarnedofdangerousgoodsinfactory,militaryrestrictedzonemonitoringandseniorhuman-computerinteraction.Thecurrentlackofamatureandgeneralmethodtodetectobjectbecauseoftheenvironmentiscomplicated.Objectdetectionresearchexistopportunitiesandchallengesinpracticalapplication.Thisthesisfirstanalyzesthedomesticandforeignresearchstatusofobjectdetectionalgorithm,emphaticallyintroducestheapplicationmethodwhicharewidelyusedisbasedontheobjectfeaturetrainedclassifiertoclassifyobject.Becauseoftheexistingfeatureofthetrainedclassifiertoclassifyobjecthashighfalsepositivesrate,thisthesispresentapedestrianobjectdetectionalgorithmbasedonconvolutionneuralnetworkonthebasisofdeeplearning.Thealgorithmconsistsoftwostepsinordertosolvethelowefficiencyofslidingwindowwithconvolutionneuralnetwork,
（1）thesuspectedpedestrianwindowconfirmation;
（2）thepedestriandetection.Insuspectedexistingpedestrianwindowconfirmation,thisthesisusethefusionfeatureasthedescriptionofthepedestriantrainingclassifierandtheidealofnearbyscalefeaturesimilartobuildclassifierpyramid.Ontheinspectedimages,thisthesisusedifferentscalesofslidingwindowtoslidetraversaltoconfirmsuspectedexistpedestrianwindow.Inthepedestriandetection,thisthesisrelyalargenumberofpositiveandnegativesamplestotrainandgetaconvolutionneuralnetwork.Inordertobetteradeptthepedestriandetection,thisthesisimprovethetopologyoftraditionalconvolutionnetwork.Inputsuspectedexistenceofpedestrianswindowintotheimprovedconvolutionneuralnetworktodetectthepedestrian.Inordertoverifytheaccuracyoftheproposedalgorithm,thisthesistestpedestriandetectionexperimentsintheINRIApedestriandatabase.Separatelytreateachwindowandeachimageasdetectionunit,thisthesisstatisticsthedetectionrateanderrordetectionrateofthealgorithm.Onthestandardoftheexistenceofanerrorineveryimagedetectionwindow,thisthesisgets93%detectionrate.ComparedtheABSTRACTIIIexperimentalresultswithtraindetectorusingACFfeature,underthesamefalsepositiverate,thealgorithminthisthesishas3%detectionratehigherthanthedetectortrainedfromACFfeatureanddetectiontimelessfourfoldsthansingleuseconvolutionalneuralnetworks.Theexperimentalresultscertifytheeffectivenessofthealgorithminthisthesis.Keywords:
ObjectDetection,PedestrianDetaction,DeepLearning,ConvolutionalNeuralNetwork目录IV目录第一章绪论.11.1研究背景及意义.11.2国内外研究现状.21.3本文主要内容及结构安排.4第二章相关基础知识.62.1行人目标检测算法原理.62.1.1基于模板匹配的检测算法.62.1.2基于分类的行人检测算法.72.2典型的人体特征.92.2.1HAAR-LIKE特征.92.2.2HOG特征.102.2.3SIFT特征.122.3典型分类器.152.3.1支持向量机算法.152.3.2ADABOOST算法.182.4深度学习.202.4.1深度学习概述.202.4.2典型的深度学习结构.212.5本章小结.27第三章基于融合特征的疑是行人窗口确认.283.1提取融合特征.283.2分类器训练.343.2.1训练标准尺度级
升级会员 