检索结果-南通市图书馆

基于深度学习的小尺度行人和遮挡行人检测研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的小尺度行人和遮挡行人检测研究

作者：金曼莉重庆邮电大学

学位级别：硕士

行人检测是很多高级计算机视觉应用的基本任务。近年来,计算机硬件性能的急速提升,使行人检测受到研究人员的关注并且取得了巨大的研究进展。但是在面对小尺度行人和遮挡行人这样具有挑战性的任务时,检测器想要实现准确的检测存在一定... 详细信息

行人检测是很多高级计算机视觉应用的基本任务。近年来,计算机硬件性能的急速提升,使行人检测受到研究人员的关注并且取得了巨大的研究进展。但是在面对小尺度行人和遮挡行人这样具有挑战性的任务时,检测器想要实现准确的检测存在一定困难。因此,本文围绕小尺度行人、遮挡行人在检测中容易被漏检、误检的问题展开研究,在尽量满足实时性的情况下,提升检测准确度。1.针对卷积神经网络中小尺度行人特征容易丢失和特征容易被干扰信息淹没的问题,设计了一个特征增强模块,并且提出了基于特征增强模块的小尺度行人检测方法。该方法首先采用了特征提取网络、特征融合网络获取大量不同分辨率图像的特征信息。然后,分析小尺度行人在卷积神经网络中的特点,设计了特征增强模块,从特征融合策略、注意力机制两个方面增强小尺度行人特征并且抑制杂乱冗余的背景无关特征。最后,不同于常见的基于预测框的检测方法,采用了预测网络直接预测大中小三种分辨率特征图中目标类别和定位,确定预测结果。在公开数据集上的模块验证实验、对比实验等结果证实了特征增强模块对小尺度行人检测的有效性,也验证了该检测方法在行人检测准确度和实时性上能够取得良好效果。2.针对密集场景下遮挡行人容易分类错误和定位偏差的问题,提出了一种基于全连接网络的遮挡行人检测方法。在第3章网络模型的基础上,该方法首先利用了全连接网络优化预测网络中分类网络的结构,并结合卷积网络预测的目标得分优化了目标置信度得分。然后,在原有损失函数的基础上进一步采用了排斥函数,使网络疏远非同一目标下拥挤预测框之间的关系,以修正遮挡造成的预测框偏移。最后,改进了非极大值抑制算法的标准计算方式,以预测框之间的重合度和预测框之间的位置关系为依据,减少了重叠预测框被错误抑制的情况。在公开数据集上的消融性实验、对比实验等结果验证了该检测方法在行人检测准确度和速度上能够取得良好效果。

关键词：行人检测小尺度行人特征增强模块遮挡行人全连接网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的有锚框行人检测方法综述

传感器世界 2024年第1期30卷 7-12页

作者：章博闻重庆交通大学机电与车辆工程学院重庆400074

计算机视觉包含图像分类、目标检测、目标跟踪等技术。行人检测作为目标检测的重要子任务之一,广泛应用于自动驾驶、智能机器人、监控检测等场景。随着深度学习的快速发展,通用目标检测器在目标检测任务上有着优秀的表现,许多研究者也... 详细信息

计算机视觉包含图像分类、目标检测、目标跟踪等技术。行人检测作为目标检测的重要子任务之一,广泛应用于自动驾驶、智能机器人、监控检测等场景。随着深度学习的快速发展,通用目标检测器在目标检测任务上有着优秀的表现,许多研究者也在此基础上进行一系列改进,从而提升行人检测的速度和精度。按照是否预设物体边界框,基于深度学习的行人检测算法可以分为有锚框(Anchor-Based)和无锚框(Anchor-Free)。本文介绍了传统的行人检测方法,重点阐述了基于有锚框的行人检测算法在面对小尺度行人和遮挡行人等检测问题上的研究进展。

关键词：行人检测有锚框两阶段单阶段小尺度行人遮挡行人

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于无锚深度学习的行人检测方法研究

基于无锚深度学习的行人检测方法研究

作者：强华中北大学

学位级别：硕士

行人检测技术是计算机视觉领域的一个重要研究方向,其定义为通过计算机检测并定位输入图像或视频中的行人。行人检测被广泛应用于自动驾驶、视频监控、机器人等领域。由于行人距离摄像头的远近程度不同,使行人呈现的尺度不同,其中小尺... 详细信息

行人检测技术是计算机视觉领域的一个重要研究方向,其定义为通过计算机检测并定位输入图像或视频中的行人。行人检测被广泛应用于自动驾驶、视频监控、机器人等领域。由于行人距离摄像头的远近程度不同,使行人呈现的尺度不同,其中小尺度行人所占比重较大。小尺度行人具体分为两种形式:距离摄像头较远的行人、本身较矮的行人。小尺度行人分辨率较低,可以被提取的特征有限,且更容易受到光照、遮挡等情况的影响造成行人的漏检和误检。虽然行人检测方法因为深度学习的应用取得了很大的进步,但是由于小尺度行人的检测效果目前仍不能满足实际工业的需求,因而本文针对已有行人检测算法存在的小尺度行人信息描述不充分的问题进行改进,主要研究工作如下:1、基于CSP行人检测算法对ResNet残差网络及其改进方法进行归纳总结。首先介绍卷积神经网络的基础;其次分析ResNet残差网络应用于行人检测中的优缺点及近年来提出的ResNet残差网络的六种改进方法,具体分析其改进点、改进框架及优缺点;最后选取三种典型的类残差网络IResNet、ResNet St、Vo VNet,将它们作为CSP算法的主干网络并分别命名为I-CSP、S-CSP、V-CSP算法,在City Persons行人检测数据集上与其它算法进行实验对比分析。2、提出一种基于自校准卷积网络的行人检测算法(SC-CSP)。该算法通过将CSP算法的基础网络改进为基于SCNet自校准卷积的网络结构。具体而言,首先,将SCNet自校准卷积网络作为主干网络,来扩大网络的感受野范围,使得所提出的检测器对行人具有强大的多尺度表示能力;其次,在特征提取阶段,将图片输入到自校准的特征提取网络中,然后自底向上,逐层将高低层语义信息融合起来;最后,通过对精细的多尺度卷积特征进行多层连接,将行人检测简化为直接的中心点和尺度预测的任务。分别对本算法及对比方法在City Persons和Caltech行人数据集上进行测试,实验结果表明本算法展现了很好的行人检测性能,尤其可提升对小尺度行人的检测效果。

关键词：行人检测小尺度行人深度学习自校准卷积网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的行人检测算法

基于深度学习的行人检测算法

作者：邹梓吟东南大学

学位级别：硕士

行人检测是利用计算机视觉相关技术判断图像或者视频中是否存在行人并给予精准定位的技术。该技术可与行人跟踪及行人重识别相结合,对区域内的行人进行检测、识别、跟踪,广泛用于人工智能系统、智能辅助驾驶系统及智能机器人等领域。因... 详细信息

行人检测是利用计算机视觉相关技术判断图像或者视频中是否存在行人并给予精准定位的技术。该技术可与行人跟踪及行人重识别相结合,对区域内的行人进行检测、识别、跟踪,广泛用于人工智能系统、智能辅助驾驶系统及智能机器人等领域。因为行人外观易受尺度、遮挡、姿态等影响而造成检测精度大大降低,所以如何提升复杂环境条件下行人检测精度的同时满足检测速度的要求是一个极具研究价值的热门课题。本文基于深度学习的行人检测方法,在小尺度行人检测和遮挡行人检测两方面展开了研究,具体工作及研究内容如下:1.针对单、双阶段检测算法进行了介绍,并选取YOLOv3检测算法和Faster RCNN检测算法在Caltech行人数据集上进行比较,为更好的满足检测速度的要求,选取在远距离行人子集上表现更好的单阶段检测算法YOLOv3作为小尺度行人检测算法,为达到更高的遮挡行人检测精度,选取在遮挡行人子集精度更高的双阶段检测算法Faster RCNN作为遮挡行人检测算法。2.针对小尺度行人检测,提出利用多尺度特征融合增强模块提升模型对小尺度行人的特征表达。该模块主要包含两部分,第一部分采用感受野增强模块对特征图进行特征提取,增强浅层特征图的感受野。第二部分使用自适应空间特征融合模块替代传统维度拼接操作,自适应的学习各尺度特征的空间权重,充分利用各尺度特征信息,增强小尺度行人的检测结果。同时调整kmeans++聚类度量参数,得到更匹配数据集行人尺度的先验框。在Caltech行人数据集和VOC 2007数据集中的Person子集上进行测试,结果表明所提多尺度特征融合增强模块对行人检测性能提升具有效果,在不同数据集上都取得了较好的检测结果。3.针对遮挡行人检测,提出一种改进的注意力机制,融合通道注意力和空间注意力提升网络对行人未遮挡部位的关注。改进RPN的回归策略,增强遮挡行人的定位精度,选用基于距离交并比的非极大值抑制算法保留更精确的候选框,提升遮挡行人检测精度。在City Persons数据集和Wider Person数据集上进行了测试,结果表明对遮挡行人具有较高的检测精度,证明了该方法的有效性。4.采用Python语言构建了基于深度学习的行人检测系统,编程实现了对实际场景下采集的行人数据的检测,主要包含单图行人检测和视频行人检测功能。

关键词：行人检测深度学习小尺度行人遮挡行人

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的行人检测算法研究

基于深度学习的行人检测算法研究

作者：陈泽杭州电子科技大学

学位级别：硕士

行人检测一直是计算机视觉领域的研究热点,近年来随着深度学习研究的快速发展,行人检测已被广泛应用于自动驾驶、智能安防和智能机器人等多个领域,这使得行人检测在学术界和工业界都受到了越来越多的关注。行人检测要在给定的图像或视... 详细信息

行人检测一直是计算机视觉领域的研究热点,近年来随着深度学习研究的快速发展,行人检测已被广泛应用于自动驾驶、智能安防和智能机器人等多个领域,这使得行人检测在学术界和工业界都受到了越来越多的关注。行人检测要在给定的图像或视频帧中通过相关检测算法找出其中所有的行人,并用矩形框的方式标记出他们的位置和大小。但在实际应用场景（如自动驾驶和视频监控）中,待检测图像通常会由于光照、摄像设备、障碍物以及多行人等因素的影响,从而产生背景干扰、行人尺度过小和遮挡等严重降低行人检测性能的问题,尤其是小尺度行人以及行人的遮挡,一直是困扰行人检测研究的难点。本文针对行人检测的典型问题,选择Faster R-CNN（Region-based Convolution Neural Networks）目标检测网络进行改进,讨论检测精度更高并对于非理想检测环境更具有鲁棒性的基于深度学习的行人检测算法。具体研究工作的内容及结果如下:（1）为减少现有检测算法以及Faster R-CNN对于小尺度行人大量漏检的情况,提出一种新的Faster R-CNN深度学习网络检测算法。它采用了一种基于双线性插值的对齐池化方式以避免在感兴趣区域池化中两次量化操作带来的位置偏差;并提出一种基于级联的多层特征融合策略,将具有丰富细节信息的浅层特征图和具有抽象语义信息的深层特征图进行融合,以解决小尺度行人在深层特征图中特征信息不足的问题。实验结果表明,在INRIA和PASCAL VOC2012中的小目标行人数据集上,相比于Faster R-CNN,在检测效率相当的条件下,平均准确率（AP）分别提高17.58%和23.78%。（2）在上述研究的基础上,为提高算法对于遮挡行人检测的鲁棒性,尤其是在密集人群场景下行人之间的互相遮挡（即行人自遮挡）,通过分析实际检测中的错误案例发现:Faster R-CNN仅在原回归损失函数的约束下无法精准定位互相重叠的行人,导致了自遮挡行人的漏检,因此考虑从损失函数的角度来进一步优化检测网络。本文引入了一种具有对相邻检测物体具有“排斥力”的回归损失函数-Repulsion loss（排斥损失函数）,并重新训练检测网络。实验结果表明,在Occlusion-person遮挡行人数据集和INRIA数据集上,相比于已改进的Faster R-CNN[43],在检测效率相当的条件下,平均准确率（AP）分别提高了6.07%和1.42%。

关键词：行人检测 Faster R-CNN 小尺度行人行人自遮挡排斥损失函数