基于深度学习的行人检测与追踪方法研究-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于深度学习的行人检测与追踪方法研究认领

被引量： 1

作者：

宋家豪

学位授予单位：

沈阳师范大学

摘要：

高峰期图书馆人员剧增,获取人流量及检测信息对管理层的统计工作至关重要,传统的人流量统计方法依赖于手动计数或基于规则的算法,会存在误差较大、效率低下等问题。相比之下,深度学习从大量数据中学习到复杂特征表示,可解决光照、遮挡和姿态变化等多种图书馆复杂场景的检测与追踪问题,为智能场所的人流监控和管理提供高效便捷的方法。面对图书馆密集的人流量和复杂背景,如何高效和快速的对行人进行检测与追踪,是目前智能视觉识别的重点研究方向。因此,本文对密集行人检测与追踪方法进行研究,主要工作内容如下:(1)针对图书馆场景下行人检测算法会出现漏检,追踪速度过慢的问题,提出了一种基于轻量化DeepSort的人流量统计系统。考虑到图书馆场景行人目标密集,行人之间存在自遮挡情况,在进行行人检测与追踪时,常面临目标丢失和算法计算复杂度高导致小设备运行缓慢的问题,因此对其进行合理改进。在检测算法的改进中,采用CIoU损失函数和DIoU-NMS算法。结合ShuffleNetV2算法和DeepSort网络进行轻量化追踪算法设计,减小模型的参数量并保持良好的精确度。实验结果表明,改进后算法可对行人目标进行高效追踪,缩小后的模型体积仅为原模型的5%,改善了对遮挡行人的检测性能,可以较准确地统计出人流量与行速。(2)视觉信息因监控摄像的拍摄角度、光照等影响,会极大干扰行人的检测识别。针对检测算法对小目标行人识别率低、对监控远处视野目标检测精度不理想的问题。提出了一种面向多尺度行人目标的检测算法。在改进的网络模型中,首先通过设计高效的特征融合结构,提高模型对深层特征的感知力;其次引入Res2Net重构算法骨干网络,加强细粒度特征信息利用;最后加入空间金字塔注意力池化网络,强化模型的多层次特征表达能力。在Crowdhuman数据集上对改进算法进行训练和验证,结果表明,经过优化的算法可达到良好的准确性和实时性,可有效应用于高密度的行人检测任务。(3)为更高效地进行图书馆的智能化人流量管理,结合改进的行人检测与追踪算法,并利用行人重识别技术和人脸识别方法,构建一种基于图书馆场景的行人识别与追踪系统。由实验可知,本文所设计的系统对图书馆等实际场景下的人流量统计效果良好,行人身份识别准确率较高,对于现代化图书馆的人流量智能化分析具有重要的参考意义。

摘要译文

关键词：

目标检测; 图书馆行人计数; 多目标追踪; 行人识别

学位年度：

2023

学位类型：

硕士

学科专业：

材料物理与化学

导师：

吴迪

中图分类号：

TP391.41[图形图像识别];TP18[人工智能理论]

学科分类号：

140502[人工智能];081103[系统工程];081104[模式识别与智能系统];081107[建模仿真理论与技术]

D O I：

10.27328/d.cnki.gshsc.2023.000990