基于深度學(xué)習(xí)的溯源視頻目標(biāo)檢測(cè)與識(shí)別.pdf

1、隨著攝像頭安裝數(shù)量的日益增多，以及智慧城市和公共安全需求的日益增長(zhǎng)，采用人工的視頻監(jiān)控方式已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足需要。深度學(xué)習(xí)是近十年來(lái)人工智能領(lǐng)域取得的最重要的突破之一。目前深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)方法已經(jīng)在人臉識(shí)別、行人檢測(cè)、圖像分類等方面取得了優(yōu)異的成績(jī)，并獲得了廣泛的應(yīng)用。
　　本文主要對(duì)深度學(xué)習(xí)技術(shù)在溯源計(jì)算領(lǐng)域和其他工程領(lǐng)域的具體應(yīng)用進(jìn)行探索。針對(duì)溯源監(jiān)控視頻中視頻信息處理的問(wèn)題，通過(guò)收集建立深度學(xué)習(xí)數(shù)據(jù)集和公開(kāi)數(shù)據(jù)集中訓(xùn)練

2、的離線卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合視頻和采集處理技術(shù)以及web展示技術(shù)完成視頻中感興趣物體的在線檢測(cè)、識(shí)別以及展示，設(shè)計(jì)出一套滿足實(shí)際應(yīng)用要求的智能視頻監(jiān)控系統(tǒng)。
　　本文的主要貢獻(xiàn)如下:
　　1.基于目標(biāo)檢測(cè)的需求，在視頻處理過(guò)程中，使用幀差法解決視頻關(guān)鍵幀難以確定的問(wèn)題，并使用混合高斯建模法和幀差法設(shè)計(jì)了一種運(yùn)動(dòng)目標(biāo)檢測(cè)的方法，該方法可以有效的克服前景提取過(guò)程中噪聲和陰影的干擾。
　　2.針對(duì)傳統(tǒng)目標(biāo)分類準(zhǔn)確率不高的問(wèn)題

3、，收集溯源視頻中目標(biāo)集合，完成目標(biāo)的分類和標(biāo)注，并基于該數(shù)據(jù)集，使用深度學(xué)習(xí)平臺(tái)caffe設(shè)計(jì)和訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的離線模型，以提高分類的準(zhǔn)確率。
　　3.根據(jù)系統(tǒng)實(shí)現(xiàn)的需求，基于“運(yùn)動(dòng)檢測(cè)+CNN”和“Faster-RCNN”，使用離線訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合Redis進(jìn)行數(shù)據(jù)傳遞和web應(yīng)用平臺(tái)LAMP設(shè)計(jì)和實(shí)現(xiàn)實(shí)時(shí)的目標(biāo)檢測(cè)和識(shí)別系統(tǒng)。
　　最后，在以Tesla K40為基礎(chǔ)搭建的硬件平臺(tái)中，文章訓(xùn)練的CNN模型在溯