基于残差模块和多尺度训练的行人检测研究

发布时间：2023-10-31 17:56

　　基于图像和视频的行人检测是行人跟踪、行为分析、步态分析、行人身份识别等研究的基础和前提,也是计算机视觉领域最重要的研究方向之一。随着时代的发展,无论是视频监控、车辆辅助驾驶还是智能机器人,人们对行人检测的需求日益渐长。近年来有关基于深度学习的行人检测算法陆续被提出以解决传统手工方法对行人检测精度低、速度慢的缺点。现有基于深度学习的行人检测算法占用资源大,精度和速度均有待进一步提高,无法满足实时监测的需要。本文以微型YOLO为原型,对基于YOLO算法的行人检测进行研究,并在此基础上对其进行改进。使用SSE算法对候选框进行聚类,采用多尺度训练策略在混合数据集上进行训练,给出的改进模型占用存储空间小,进一步提高了检测的精度和速度,模型的泛化能力得到增强。具体工作如下:(1)对行人检测的研究背景与意义进行阐述,并对传统行人检测与深度学习行人检测的国内外现状进行研究;介绍了行人检测相关技术,包括基于传统方法、深度神经网络的行人检测;对微型YOLO算法进行详细解析,并在INRIA标准数据集上给出了初始实验结果。(2)给出了改进YOLO网络结构的行人检测模型。对yolov3-tiny网络结构进行了不...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 引言
    1.1 研究背景与意义
    1.2 行人检测难点和国内外研究现状
        1.2.1 传统方法行人检测
        1.2.2 深度学习行人检测
    1.3 研究问题描述
    1.4 论文组织结构
    1.5 本章小结
第2章 行人检测相关技术
    2.1 基于传统方法的行人检测
        2.1.1 滑动窗口选择
        2.1.2 梯度方向直方图(HOG)
        2.1.3 支持向量机(SVM)
    2.2 基于卷积神经网络的行人检测
        2.2.1 传统神经网络
        2.2.2 前向传播算法
        2.2.3 反向传播算法
        2.2.4 卷积神经网络
    2.3 行人检测常用数据集
    2.4 实验环境及硬件配置
    2.5 本章小结
第3章 基于YOLO算法的行人检测模型
    3.1 微型YOLO检测算法
        3.1.1 目标行人定位
        3.1.2 非极大值抑制
        3.1.3 k-means聚类算法
        3.1.4 网络结构
    3.2 网络训练
    3.3 评价指标与计算方法
    3.4 实验结果与分析
    3.5 本章小结
第4章 基于细粒度融合与残差模块的网络改进
    4.1 引言
    4.2 SSE优化K值
    4.3 网络结构改进
        4.3.1 细粒度多层特征融合
        4.3.2 残差模块
    4.4 网络训练
    4.5 实验结果与分析
    4.6 本章小结
第5章 混合数据集多尺度训练的行人检测模型
    5.1 引言
    5.2 数据预处理
    5.3 重聚类初始框
    5.4 网络训练
        5.4.1 预训练
        5.4.2 多尺度训练
    5.5 实验结果与分析
    5.6 本章小结
第6章 总结与未来展望
    6.1 总结
    6.2 下一步工作
参考文献
致谢
附录:攻读学位期间主持的科研项目与公开发表的学术成果



本文编号：3859198