基于卷积神经网络的目标检测算法研究

《基于卷积神经网络的目标检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、答辩人：胡长雨指导教师：王爱丽TheGraduationThesisDefense基于卷积神经网络的目标检测算法研究哈尔滨理工大学HarbinUniversityofScienceandTechnology哈尔滨理工大学-测通学院CONTENTS142536研究背景研究方法2理论基础结论研究方法1科研成果RESEARCHBACKGROUNDSRESEARCHFRAMWORKRESEARCHMETHODSANALYSISANDDISCUSSIONCONCLUSIONSCIENTIFICACHIEVEMENTS哈尔

2、滨理工大学HarbinUniversityofScienceandTechnology1研究背景RESEARCHBACKGROUNDS内容简介BRIEFINTRODUCTION本文以智能交通为背景，针对智能视频监控系统进行剖析，对其中目标检测算法进行了具体的研究和改进。首先，针对目标检测特征提取环节，本文以卷积神经网络为基础，构建深度特征提取器，提取深度特征训练可变形部件模型，作为最终的检测模型，并有效的提高检测精度。另外，在目标后处理环节中，将抑制重复检测和误检的面积重叠率阈值动态化后，进一步的提高了检测精度

3、，减少了误检和重检。1研究背景RESEARCHBACKGROUNDSPPT模板下载：www.1ppt.com/moban/行业PPT模板：www.1ppt.com/hangye/节日PPT模板：www.1ppt.com/jieri/PPT素材下载：www.1ppt.com/sucai/PPT背景图片：www.1ppt.com/beijing/PPT图表下载：www.1ppt.com/tubiao/优秀PPT下载：www.1ppt.com/xiazai/PPT教程：www.1ppt.com/powerpoint/

4、Word教程：www.1ppt.com/word/Excel教程：www.1ppt.com/excel/资料下载：www.1ppt.com/ziliao/PPT课件下载：www.1ppt.com/kejian/范文下载：www.1ppt.com/fanwen/试卷下载：www.1ppt.com/shiti/教案下载：www.1ppt.com/jiaoan/PPT论坛：www.1ppt.cn哈尔滨理工大学HarbinUniversityofScienceandTechnology智能交通中的目标检测传统的视频监控

5、解决方案只是进行视频图像的记录、存储与调取等机械的操作，用来记录发生的事情，不具有针对异常情况进行预测和报警的作用。需要工作人员时时刻刻查看显示屏，才能进行预测和报警。由于传统视频监控技术的不足，所以智能视频监控被用来帮助工作人员发现异常情况并及时报警。1研究背景RESEARCHBACKGROUNDS智能视频监控的功能是让计算机模拟人类的大脑对图像的处理机制，利用摄像头模拟的人类的眼睛，运行图像处理算法，分析从摄像头中获取的图像序列，并对被监控场景中的内容进行理解，实现对异常行为的自动预警和报警。智能监控的智能

6、化主要表现在对图像序列中的目标进行检测、目标识别，理解目标的行为。目前常用的智能监控系统主要包括视频获取、图像预处理、目标检测、目标分类、目标跟踪、目标行为分析和理解等七个部分，图1-1给出了智能监控系统具体的流程图。图1-1国内现状大部分目标检测算法任然使用单一或者几种手工设计的特征。手工设计的特征，不仅计算开销大，降低算法的执行速度，对于目标多样性的变化并没有很好地鲁棒性，严格限制应用前提。因此亟需对特征提取进行改进。1研究背景RESEARCHBACKGROUNDS国外现状在国外，也经历了由人工设计特征到算

7、法自动设计并提取特征的过程。2010年，Dalai等利用人工设计的方向梯度直方图特征，训练出来多视角的可变形的检测模型，虽然有效的提高了检测精度，但仍然存在计算复杂，对小目标鲁棒性不强等问题。2012年，卷积神经网络在全球图像分类比赛中得到最优的成绩，因此卷积神经网络自适应的提取图像特征受到重视，卷积神经网络通过反向传播算法进行网络参数的更新，通过自适应的调整不同特征的权重有效的组合特征，得到鲁棒性更好的高层特征。因此，如果让计算机主动学习图像的特征，相对于人工设计的特征而言，能够有效的提高检测精度，改善实验结

8、果。1研究背景RESEARCHBACKGROUNDS国外现状1研究背景RESEARCHBACKGROUNDS研究目的目标检测；卷积神经网络；非极大值抑制本文研究的最终目的是将卷积神经网络应用到目标检测任务中：如何避免手工设计的特征，减少计算的复杂度，提高算法执行速度，最终提高检测精度。具体的基于现有的开发库，在现有的卷积神经网络模型的基础上，利用迁移学习和重新训练，更新模型参数，提取深