基于深度学习的行人自遮挡检测及应用

发布时间：2025-07-21 18:22

　　近几年来,行人检测成为计算机视觉领域中的研究热点。行人检测可被定义成检测输入的图片或者视频帧中是否存在行人。它为自动驾驶、视频监控及人体行为分析提供技术支持,最近还用于受害者营救、航拍图像等新兴领域,具有广泛的应用场景。本论文主要以Faster R-CNN(Region-Convolutional Neural Networks)目标检测算法为基础,针对行人的部分遮挡问题,重新设计其网络结构,使其检测性能得到提高。本文主要包括以下内容:论文首先对目前行人检测的研究难点及国内外现状做了总结,对基于机器学习的传统行人检测方法以及基于深度学习的目标检测算法做了调研和梳理。其中传统方法中最经典的是基于HOG+SVM(Histogram of Oriented Gradients+Support Vector Machine)的行人检测算法,基于深度学习的目标检测算法主要分为SSD(Single Shot Multi Box Detector)、R-CNN系列和YOLO(You Only Look Once)系列这三大类。接着通过综合考虑算法的检测性能与速度,采用自建的遮挡行人数据集训练了一个基于...

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图1.1论文概要图

本论文分为5章,论文内容的概要图如图1.1所示。其中每章的核心内容如下:

图2.1行人检测流程图

本章首先介绍传统行人检测中经典的HOG+SVM算法,然后对几种典型的卷积神经网络进行分析与对比,最后为第三章的内容做出铺垫,简单了解FasterR-CNN的发展与原理。传统目标检测与基于深度学习的目标检测算法的检测流程大同小异,构建行人检测的流程主要包括输入图片、选择区域、提取....

图2.2线性SVM[32]

SVM即支持向量机,是一种基于监督学习的二分类模型,它可分为线性支持向量机与非线性支持向量机。SVM的原理是通过找到能够分离训练数据并且几何间隔最大的超平面,对于线性SVM来说,最优分离直线如图2.2中的w?x+b=0,落在w?x+b=1左侧的样本称为正样本,落在w?x+b=-1....

图2.3非线性SVM[32]

但并不是所有训练数据集都可以通过线性SVM来达到分类的目的,如图2.3所示,这些点并不是线性可分的,只能通过一个椭圆来将其划分,因此通过引入核函数来进行非线性变换,将左边的椭圆转化成右边的超平面,常用的核函数有多项式核函数、高斯核函数、字符串核函数等。通常,在数据线性不可分时,S....

本文编号：4058189