检索结果-南通市图书馆

作者：燕博轩兰州理工大学

学位级别：硕士

伴随智能鱼眼视角监控设备广泛应用于现实生活中,其产生的影像数据呈现指数级上涨,通过计算机视觉技术对所拍摄的目标进行快速并准确的检测,成为该设备发展的重要一环。鱼眼镜头拍摄的影像数据具有视野范围广、目标畸变与实例尺度差距... 详细信息

伴随智能鱼眼视角监控设备广泛应用于现实生活中,其产生的影像数据呈现指数级上涨,通过计算机视觉技术对所拍摄的目标进行快速并准确的检测,成为该设备发展的重要一环。鱼眼镜头拍摄的影像数据具有视野范围广、目标畸变与实例尺度差距大的特点。近年来,深度学习的快速发展带来计算机视觉的发展高潮,使用经典检测算法进行鱼眼镜头影像与多尺度检测任务,效果差且速度慢。为提高基于深度学习的鱼眼畸变图像与多尺度的检测速度与精度,主要研究的工作有:(1)分析鸟瞰式鱼眼镜头所拍摄的影像数据。通过分析鱼眼镜头影像数据集,对比两种国际基准数据集,获得数据差异,综合统计标注信息特征可视化,研究实例目标数据特性,为后续检测任务打造数据分析基础和奠定准备工作。(2)搭建基于深度学习的目标检测两阶段网络。构建针对鱼眼畸变影像多尺度检测的骨干网络,选取两阶段的基于锚点(Anchor-Based)目标检测经典模型Faster R-CNN架构作为模版,改进交并比计算方法,增加实例定位精准度,更新网络搭建方式,利用门控运算实现通道注意力机制,增加待检畸变目标检测精度,采用逐通道分离卷积,减少网络参数量,从而构建多尺度下鱼眼畸变图像检测网络。(3)搭建基于深度学习的目标检测一阶段网络。在保证检测准确度不降低的前提下,提高检测速度,采用舍弃锚点(Anchor-Free)策略,选取FCOS架构作为基础网络,将亚像素卷积与特征提取融合,建立多尺度特征融合模块,形成特征信息优势互补,准确利用特征,提升小目标定位精度与检测准确度,同时使用注意力机制增强目标实例特征表示,建立特征与原图的映射,减少采样损失度,从而构建一阶段目标检测网络。对于以上两种目标检测模型,均使用Microsoft Common Objects in Context(MS COCO)数据集预训练模型,鱼眼畸变检测模型在鱼眼畸变图像数据集(CEPDOF)上进行测试验证,Anchor-Free检测模型使用PASCAL VOC视觉对象分类数据集(PASCAL Visual object classes)进行模拟仿真。分析结果,与其余检测模型相对比,表明两种模型均获得较高的检测效果提升,有效提高鱼眼畸变数据影像与多尺度检测速度与精度。鱼眼畸变图像检测,对比基线模型,检测精度提高5.1%,召回率提高29.1%;多目标检测,使用相同的骨干网络,对比精度提高3.4%,检测速度提高5.3%,对比深层次的骨干网络,速度与精度均有提升。因此,该实验证明本研究的模型有效性,相关研究成果在鱼眼畸变图像与多尺度检测具备较好的应用前景。

关键词：目标检测深度学习错点多尺度鱼眼畸变图像

来源：