基于卷积神经网络的多部位人体检测

基于卷积神经网络的多部位人体检测

ID:35062092

大小:3.24 MB

页数:61页

时间:2019-03-17

基于卷积神经网络的多部位人体检测_第1页
基于卷积神经网络的多部位人体检测_第2页
基于卷积神经网络的多部位人体检测_第3页
基于卷积神经网络的多部位人体检测_第4页
基于卷积神经网络的多部位人体检测_第5页
资源描述:

《基于卷积神经网络的多部位人体检测》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、中文图书分类号:TP391密级:公开UDC:004学校代码:10005硕士学位论文MASTERALDISSERTATION论文题目:基于卷积神经网络的多部位人体检测论文作者:张恒瑜学科:计算机科学与技术指导教师:刘波论文提交日期:2016年6月UDC:004学校代码:10005中文图书分类号:TP391学号:S201307052密级:公开北京工业大学工学硕士学位论文题目:基于卷积神经网络的多部位人体检测:英文题目:MULTI:-PARTDETECTIONOFHUMANBASEDONCONVOLUTIONALNEURALNETWORK论文作者:张恒瑜:

2、学科专业:计算机科学与技术:研究方向:计算机应用技术:申请学位:工学硕士:指导教师:刘波副教授:所在单位:计算机学院:答辩日期:2016:年6月授予学位单位:北京工业大学:独创性声明本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得北京工业大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名:张恒瑜日期:2016年6月24日关于论文使用授权的说明本

3、人完全了解北京工业大学有关保留、使用学位论文的规定,即:学校有权保留送交论文的复印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存论文。(保密的论文在解密后应遵守此规定)签名:张恒瑜日期:2016年6月24日导师签名:刘波日期:2016年6月24日摘要摘要人体检测的目的是识别出图像中的人体并给出其定位信息。人体检测技术在运动分析、智能监控以及驾驶辅助系统等领域有着广泛的应用,是物体检测的一个研究热点。R-CNN(RegionswithConvolutionalNeuralNetworkFeatures)

4、是一种基于区域的物体检测算法,该算法将选择性搜索、卷积神经网络、支持向量机和非极大值抑制相结合,在人体检测方面获得了较好的检测效果。但与众多基于整体的检测方法一样,R-CNN没有给出各个部位的位置,并在应对人体多姿态及遮挡方面存在着不足。相较于基于整体的检测方法,基于部位的检测方法能够比较有效地应对这些问题。本文在R-CNN基础上提出了一种基于卷积神经网络的多部位人体检测算法,通过训练基于人体多部位的R-CNN模型并对其添加空间几何约束,在提升人体检测准确率的同时,能够显式的给出人体各个部位的位置。在本文算法中,首先给出基于人体多部位的R-CNN模型

5、。手工标注了一个给定人体多个部位的数据集后,对该模型进行训练。在检测时,对待检测图像,获取各个候选边框并用卷积神经网络提取其特征,通过支持向量机给出其分类的得分,再利用非极大值抑制对重叠较多的候选边框进行剔除。然后,本文算法对基于人体多部位的R-CNN模型提供的候选边框添加空间几何约束,形成预测边框组合,具体如下:将图像中的每个候选边框都假设为人体整体边框,并从剩余边框中寻找使得空间几何约束得分与支持向量机得分乘积最高的部位边框,从而得到候选边框组合,并从中选取得分超过设定阈值的候选边框组合作为预测边框组合。其中,空间几何约束包括空间位置约束、高斯混

6、合模型约束和K近邻约束。实验结果表明,本文算法在人体检测方面取得了较好的效果,具有一定的应用价值。关键词:多部位人体检测;卷积神经网络;R-CNN;高斯混合模型;K近邻-I-AbstractAbstractHumandetectionaimstodetecthumaninpicturesandofferthelocationinformationofthem.It’swidelyusedinmotionanalysis,intelligentmonitoringsystem,drivingassistancesystem,etal.Anditison

7、eresearchhotspotofobjectdetection.Asanobjectdetectionalgorithmwhichisbasedonregions,R-CNNcombinesselectivesearch,convolutionalneuralnetwork,supportvectormachineandnon-maximumsuppression.Thismethodachievesgoodperformanceonhumandetection.Butjustasotherdetectionmethodswhicharebase

8、donthewholebodies,itcannotofferthelocationofhuman’spar

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。