基于深度学习的轻量级行人检测与重识别算法研究
发布时间：2023-04-10 02:27
行人检测与重识别技术是智能监控系统的一项基本技术,记录着人群的行为信息、运动信息和轨迹信息等,可用于解决交通安全、刑侦案件和自动驾驶等实际问题。行人检测是指对图像或视频中存在行人的位置进行判断,区别行人与背景图像,实现行人定位。行人重识别是指在行人检测的基础上对行人图像做更进一步的处理,它不仅要从不同摄像头中检测出行人的位置,还要判断所检测出来的行人是否属于同一个行人。然而,目前现有的检测与重识别网络存在计算量成本高、模型存储量大等缺点,如何提高模型的计算速度,达到实时检测的效果,成为了待以解决的问题。为此,本文对行人检测与重识别模型进行研究,结合轻量级网络技术对模型进行改进,提高了网络的运算速度,同时保持一定的准确率。本文的主要工作内容如下:(1)针对提高行人检测问题,本文提出了一种基于无锚点框架的轻量级行人检测改进算法,该算法能有效提高检测速度,节省计算资源。它以无锚点框的行人检测模型CSP为基准框架,分别由轻量级特征提取网络,多尺度特征融合网络以及检测网络构成。轻量级特征提取网络采用针对移动嵌入设计的Mobile Net V2模型模型,大幅降低特征提取模型的参数量和计算量。多尺度...
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状和水平
1.2.1 行人检测方法简介
1.2.2 行人重识别简介
1.2.3 轻量级网络简介
1.3 行人检测与重识别存在的问题
1.4 本文的主要工作和章节结构安排
1.4.1 主要工作内容
1.4.2 本文的章节结构安排
第2章 卷积神经网络与检测基本理论
2.1 卷积神经网络
2.2 轻量级网络
2.2.1 小卷积核的参数量优化
2.2.2 标准卷积神经网络
2.2.3 深度可分离卷积
2.2.4 分组卷积
2.3 网络性能衡量
2.3.1 网络参数量分析
2.3.2 网络FLOPs性能分析
2.4 交叉熵分类函数
2.4.1 标准交叉熵评估
2.4.2 加权的交叉熵损失函数
2.4.3 基于Focal Loss的交叉熵函数
第3章 基于无锚点框架的轻量级行人检测改进算法
3.1 引言
3.2 相关工作
3.2.1 基于深度学习的物体检测方法
3.2.2 常见网络性能分析
3.3 基于轻量级网络的行人检测算法
3.3.1 轻量级特征提取网络
3.3.2 特征融合网络分析
3.3.3 检测网络分析
3.3.4 基于轻量级网络MobileNetV2的FPCSP网络
3.3.5 模型损失函数
3.3.6 数据预处理
3.3.7 网络性能评估指标
3.4 实验结果与分析
3.4.1 基于无锚点框架的轻量级行人检测改进算法分析
3.4.2 轻量级网络分析
3.4.3 分级多尺度多输出特征融合方式实验分析
3.4.4 基于轻量级网络的FPCSP网络分析
3.5 本章小结
第4章 基于轻量级网络的行人重识别改进算法
4.1 引言
4.2 相关工作
4.3 基于轻量级网络的行人重识别改进算法
4.3.1 模型训练阶段
4.3.2 模型测试阶段及重排序
4.3.3 三元组度量函数
4.3.4 实验数据集MarKet-1501
4.3.5 识别性能评估指标
4.4 实验结果与分析
4.4.1 训练参数配置
4.4.2 基于轻量级网络的行人重识别实验结果
4.4.3 轻量级网络性能结果分析
4.4.4 基于Triple函数结果分析
4.5 本章小结
第5章 轻量级行人检测和重识别系统设计与实现
5.1 引言
5.2 硬件配置与软件环境
5.3 界面设计
5.4 模块设计
5.5 本章小结
第6章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果
本文编号：3788162
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状和水平
1.2.1 行人检测方法简介
1.2.2 行人重识别简介
1.2.3 轻量级网络简介
1.3 行人检测与重识别存在的问题
1.4 本文的主要工作和章节结构安排
1.4.1 主要工作内容
1.4.2 本文的章节结构安排
第2章 卷积神经网络与检测基本理论
2.1 卷积神经网络
2.2 轻量级网络
2.2.1 小卷积核的参数量优化
2.2.2 标准卷积神经网络
2.2.3 深度可分离卷积
2.2.4 分组卷积
2.3 网络性能衡量
2.3.1 网络参数量分析
2.3.2 网络FLOPs性能分析
2.4 交叉熵分类函数
2.4.1 标准交叉熵评估
2.4.2 加权的交叉熵损失函数
2.4.3 基于Focal Loss的交叉熵函数
第3章 基于无锚点框架的轻量级行人检测改进算法
3.1 引言
3.2 相关工作
3.2.1 基于深度学习的物体检测方法
3.2.2 常见网络性能分析
3.3 基于轻量级网络的行人检测算法
3.3.1 轻量级特征提取网络
3.3.2 特征融合网络分析
3.3.3 检测网络分析
3.3.4 基于轻量级网络MobileNetV2的FPCSP网络
3.3.5 模型损失函数
3.3.6 数据预处理
3.3.7 网络性能评估指标
3.4 实验结果与分析
3.4.1 基于无锚点框架的轻量级行人检测改进算法分析
3.4.2 轻量级网络分析
3.4.3 分级多尺度多输出特征融合方式实验分析
3.4.4 基于轻量级网络的FPCSP网络分析
3.5 本章小结
第4章 基于轻量级网络的行人重识别改进算法
4.1 引言
4.2 相关工作
4.3 基于轻量级网络的行人重识别改进算法
4.3.1 模型训练阶段
4.3.2 模型测试阶段及重排序
4.3.3 三元组度量函数
4.3.4 实验数据集MarKet-1501
4.3.5 识别性能评估指标
4.4 实验结果与分析
4.4.1 训练参数配置
4.4.2 基于轻量级网络的行人重识别实验结果
4.4.3 轻量级网络性能结果分析
4.4.4 基于Triple函数结果分析
4.5 本章小结
第5章 轻量级行人检测和重识别系统设计与实现
5.1 引言
5.2 硬件配置与软件环境
5.3 界面设计
5.4 模块设计
5.5 本章小结
第6章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
指导教师对研究生学位论文的学术评语
学位论文答辩委员会决议书
致谢
攻读硕士学位期间的研究成果
本文编号：3788162
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3788162.html
