基于Yolov3的人物检测技术研究

发布时间：2023-05-27 00:30

　　人物检测是目标检测的一个分支。它是人物识别和人物定位的一个综合,通俗来讲,它是指在图像中定位人物并找到人物的位置和范围,并用合适的框把人物标记出来。在当前各行各业智能化发展的今天,人物检测在很多领域有着广泛的研究和应用,作为必要的前置处理,它在智能交通,视频监控,目标跟踪等领域都很重要,因此人物检测算法在推进智能化建设的今天就显得至关重要。本文首先对目标检测和人物检测目前的发展情况和研究成果进行了分析总结,重点解析了深度学习领域的一些成果,比如R-CNN,Fast R-CNN,Faster R-CNN以及Yolo系列算法。在这个基础之上,我们也致力于解决人物检测问题中目前的研究难点,网络中特征提取不完全导致的准确率偏低,候选框的优化等问题,在前面研究的基础上我们做的主要工作有:(1)在人物检测过程中,关键环节之一是预选框的选择,预选框的选择将直接影响到人物检测效果的好坏,在本文中,我们分析了前面的预选框的选择历程,再结合我们的具体问题,考虑到人物大小特征的不确定性,在候选框的选择阶段,我们使用K-means聚类算法对数据进行聚类,通过可视化分析和IOU值的定量分析,综合考虑聚类复杂度和...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 现有典型研究方法
        1.2.2 代表性研究成果
        1.2.3 实际应用情况
    1.3 本文的主要工作内容
    1.4 本文的结构安排
第二章 人物检测相关方法
    2.1 传统基于特征提取的方法
        2.1.1 HOG特征提取
        2.1.2 LBP特征提取
        2.1.3 Haar-like特征提取
        2.1.4 SVM
        2.1.5 Adaboost
    2.2 深度学习相关理论
        2.2.1 神经网络
        2.2.2 IOU的简介及原理
        2.2.3 非极大值抑制和边框回归
        2.2.4 候选区域生成
        2.2.5 ROIPooling
    2.3 基于深度学习的方法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
        2.3.4 Yolo
    2.4 数据集和评价标准
        2.4.1 数据集
        2.4.2 评价标准
    2.5 本章小结
第三章 基于Yolov3的人物检测算法改进
    3.1 候选框的优化
        3.1.1 K-means聚类算法
        3.1.2 优化分析
    3.2 改进的网络模型
        3.2.1 特征网络模型
        3.2.2 PDnet
        3.2.3 损失函数
    3.3 改进的人物检测算法总述
    3.4 实验结果与分析
        3.4.1 实验平台
        3.4.2 实验设计
        3.4.3 实验结果
    3.5 本章小结
第四章 低质量图片中的人物检测算法
    4.1 图像去噪算法介绍与对比
        4.1.1 图像去噪概述
        4.1.2 图像去噪算法介绍
        4.1.3 图像去噪算法对比
    4.2 去噪 + 人物检测算法
        4.2.1 算法介绍
        4.2.2 实验结果与分析
    4.3 低质量图片中人物检测的融合算法
        4.3.1 基于训练策略的融合算法
        4.3.2 基于Srres Net融合的Res PDnet算法
    4.4 实验结果与分析
        4.4.1 实验平台
        4.4.2 实验设计
        4.4.3 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望及未来工作
参考文献
在学期间的研究成果
致谢



本文编号：3823558