机械网-基于深度学习的行人检测方法研究(含CAD图)--机械机电

基于深度学习的行人检测方法研究(含CAD图)(任务书,开题报告,外文翻译,文献摘要,论文说明书30000字,CAD图纸3张)

摘要

行人检测为目标检测技术的1项具体利用，其对自动驾驶、智能监控等领域意义重大。最近几年来黏膜白斑都有什么症状，深度卷积神经网络这1技术高速发展，1大批优秀的目标检测框架被相继提出，诸多经典方法已投入商用。但对行人检测这1具体任务，依然存在诸多难点，如行人目标尺寸较小、遮挡严重等难以克服的问题。本文以深度卷积神经网络为基础，回顾了目标检测与行人检测的发展历史，并试图改进现有的行人检测方法。

首先，本文回顾了目标检测领域的发展，介绍了卷积神经网络的组成原理，并且基于国内外顶级期刊、会议文献分析了行人检测的国内外研究现状，为研究提供了理论基础。

其次，本文介绍R-CNN系列检测框架的演进，从R-CNN到Spp-NET，再到FastR-CNN这1陆续推出的框架，介绍了其各个部份的原理，网络的损失函数，和训练方法。接着引出FasterR-CNN检测框架，详细分析了RpN网络、FRCNN网络，非极大值抑制的原理，并解释了各个部份的损失函数，对这1目标检测框架提供了宏观和微观上的把控。

然后，基于行人检测中出现的问题，针对性的改进FasterR-CNN检测框架，提出了JpD-CNN行人检测框架，设计pRpN网络、行人区域几率热区获得、建议区域横移等改进方法，并将大型的FRCNN与小型的RpN网络相结合，实现高精度的行人检测，并阐明了各部份的实现原理。

接着，基于上部份引入的改进方法，采取MATLAB和C++，并利用外部库Caffe实现了改进算法，并详实介绍了工程实现。

最后，在目前流行的KITTI、Caltech行人检测数据集对JpD-CNN进行训练，并验证了改进算法的效果。对照实验表明，JpD-CNN能够较好地处理行人区域小、遮挡、易判定为负样本的问题。同时，指出了存在的不足和未来可以改进的地方。

关键词：深度卷积神经网络；目标检测；行人检测；行人区域推荐网络

Abstract

pedestriandetectionisaspecificapplicationoftheobjectdetectiontechnology,whichisofgreatsignificanceinareassuchasautomaticdrivingandintelligentmonitoring.Inrecentyears,thetechnologyofdeepconvolutionalneuralnetworkshasdevelopedrapidly.Alargenumberofexcellentobjectdetectionframeworkshavebeenproposedinsuccession,andmanyclassicalmethodshavebeenputintocommercialuse.However,forthespecifictaskofpedestriandetection,therearestillmanydifficulties,suchasthesmallsizeofthepedestriantarget,andtheinsurmountableproblemssuchassevereocclusion.Basedonthedeepconvolutionalneuralnetwork,thispaperreviewsthehistoryofthedevelopmentofobjectdetectionandpedestriandetection,andattemptstoimprovetheexistingpedestriandetectionmethods.

Firstly,thispaperreviewsthedevelopmentofobjectdetectionfield,introducestheprincipleofconvolutionalneuralnetwork,andanalyzestheresearchstatusofpedestriandetectionathomeandabroadbasedontopjournalsandconferencedocuments,andprovidesatheoreticalbasisforresearch.

Secondly,thispaperintroducestheevolutionoftheR-CNNseriesofdetectionframeworks.FromR-CNNtoSpp-NETtoFastR-CNN,thisframeworkisintroducedoneafteranother.Theprinciplesofeachpart,thelossfunctionofthenetwork,andtrainingareintroduced.method.ThenitintroducedtheFasterR-CNNdetectionframework,analyzedindetailtheRpNnetwork,FRCNNnetwork,theprincipleofnon-maximalsuppression,andexplainedthelossfunctionofeachpart,providingmacroandmicrocontroloverthistargetdetectionframework.

Thirdly,basedontheproblemsinpedestriandetection,weimprovetheFasterR-CNNdetectionframeworkandputforwardtheJpD-CNNpedestriandetectionframework.Itincludes:(i)DesigningpRpNnetwork.(ii)pedestrianareaprobabilistichotzoneacquisition.(iii)proposingregionaltraverseandotherimprovedmethods.Furthermore,wecombinealarge-scaleFRCNNwithasmall-scaleRpNnetworktoachievehigh-precisionpedestriandetection.Weclarifytheprincipleofrealizationofeachpart.

Then,basedontheimprovedmethodsintroducedintheprevioussection,MATLABandC++wereused,andanimprovedalgorithmwasimplementedusingtheexternallibraryCaffe,andtheprojectimplementationwasdescribedindetail.

Finally,JpD-CNNistrainedonthepopularKITTIandCaltechpedestriandetectionbenchmark,andtheeffectivenessoftheimprovedalgorithmisverified.ThecomparisonexperimentsshowthatJpD-CNNcanbetterdealwiththeproblemofsmallpedestrianarea,occlusion,andeasydeterminationofnegativesamples.Atthesametime,itpointedoutthatthereareshortcomingsandareasforimprovementinthefuture.

Keywords:deepconvolutionalneuralnetwork;objectdetection;pedestriandetection;pedestrianregionproposalnetwork

目录

摘要5

Abstract6

1.绪论7

1.1课题背景概述7

1.2相干技术概述8

1.2.1卷积神经网络技术8

1.2.2目标检测技术9

1.3国内外研究现状13

1.4经常使用术语解释14

1.5本文的主要贡献与创新14

1.6本论文的结构安排15

2.FasterR-CNN目标检测框架15

2.1R-CNN系列目标检测框架的演进15

2.1.1R-CNN目标检测框架15

2.1.2Spp-Net目标检测框架18

2.1脸部白癜风怎么办.3FastR-CNN目标检测框架19

2.2FasterR-CNN原理概述21

2.2.1RpN网络22

2.2.2FRCNN网络24

2.2.3非极大值抑制NMS25

2.3FasterR-CNN实验结果分析25

2.4本章小结27

3.基于FasterR-CNN的JpD-CNN行人检测框架27

3.1关键问题27

3.2检测框架设计27

3.2.1pRpN网络27

3.2.2行人区域几率热区28

3.2.3建议区域横移扩充29

3.2.4联合大型分类网络与小型区域建议网络30

3.3本章小结31

4.工程实现31

4.1深度学习库Caffe31

4.2FasterR-CNN的MATLAB实现32

4.3JpD-CNN改进算法的实现38

4.4编写算法的C++版本39

4.5本章小结44

5.数据集实验44

5.1KITTI数据集44

5.2网络训练46

5.2.1迁移学习46

5.2.2训练pRpN47

5.3实验对照48

5.4本章小结50

6.总结与展望50

致谢51

参考文献52