基于深度學(xué)習(xí)的視頻預(yù)測及視頻行人檢測方法研究.pdf

1、隨著科技進步和社會的發(fā)展，計算機的存儲和運算性能得到了極大的提升，大量的監(jiān)控視頻進入計算機視覺領(lǐng)域，給視頻分析提供豐富的實驗數(shù)據(jù)，但同時也帶來巨大的挑戰(zhàn)。視頻分析在現(xiàn)實中有著廣泛的應(yīng)用，比如車輛導(dǎo)航，交通流控制以及智能偵查等方面。本文主要關(guān)注視頻分析中的視頻預(yù)測以及視頻行人檢測，具體開展以下工作：
　　首先，目前視頻預(yù)測研究中通常采用傳統(tǒng)人工特征。但由于存在各種干擾因素，導(dǎo)致手工生成和設(shè)計的特征很難完成對于視頻序列的整體描述，不能

2、夠很好的表示真實圖片。深度學(xué)習(xí)方法加強了特征對于視頻序列的表達能力，但并不足以描述復(fù)雜的運動過程。而且，目前深度學(xué)習(xí)方法的特征和傳統(tǒng)學(xué)習(xí)方法的特征通常是獨立進行建模，鮮有算法嘗試將兩種特征進行融合。為此，本文提出了雙流卷積LSTM自動編碼機。將深度學(xué)習(xí)和傳統(tǒng)學(xué)習(xí)方法相結(jié)合，通過卷積的LSTM模型對視頻序列進行建模提取特征，并通過線性串聯(lián)的方式將圖片特征和光流特征相融合，最終通過卷積LSTM模型生成預(yù)測視頻序列。該方法提高了視頻預(yù)測算法的

3、性能。
　　其次，目前視頻行人檢測研究中存在以下問題：傳統(tǒng)的檢測方法是將視頻分割成單張圖片，利用行人檢測算法從監(jiān)控圖像中得到行人檢測框，忽略了視頻序列特有的時序信息。真實場景下，背景較為復(fù)雜，利用視頻序列中的時序信息尤為重要。為此，本文提出了改進的faster R-CNN算法，這個網(wǎng)絡(luò)通過較大規(guī)模的特征提取網(wǎng)絡(luò)學(xué)習(xí)到強有力的視覺特征，再通過LSTM模型對時序信息的建模，從而對最終結(jié)果進行修正。同時最終的殘差連接方式保證了算法準確度