基于卷積神經(jīng)網(wǎng)絡(luò)的人體檢測(cè)方法研究.pdf

1、在計(jì)算機(jī)視覺(jué)領(lǐng)域中，人體檢測(cè)是一個(gè)重要的研究課題。人體檢測(cè)是指檢測(cè)出圖像中是否有人體目標(biāo)的過(guò)程，其在人工智能、智能視頻監(jiān)控、智能車輛輔助、智能人機(jī)交互系統(tǒng)等現(xiàn)今的高科技領(lǐng)域中都有很高的應(yīng)用價(jià)值。本文采用了一種基于卷積神經(jīng)網(wǎng)絡(luò)的人體檢測(cè)方法。卷積神經(jīng)網(wǎng)絡(luò)是一種將深度學(xué)習(xí)理論結(jié)合到傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的新興模式識(shí)別方法。傳統(tǒng)人體檢測(cè)方法中，通常先人工提取特征，再將特征描述輸入到一個(gè)分類器中進(jìn)行訓(xùn)練學(xué)習(xí)。然而，人工提取特征的過(guò)程比較復(fù)雜，且依賴于具

2、體任務(wù)，故要求研究者具有較高的學(xué)術(shù)水平且經(jīng)驗(yàn)豐富。卷積神經(jīng)網(wǎng)絡(luò)不需要事先對(duì)圖像人工提取特征，而是模擬人類的視覺(jué)神經(jīng)系統(tǒng)，直接對(duì)原始圖像進(jìn)行逐層處理來(lái)進(jìn)行識(shí)別。通過(guò)局部連接、權(quán)值共享和下采樣的方式，該方法使網(wǎng)絡(luò)中的參數(shù)大大減少，且對(duì)圖像一定程度的形變有較好的魯棒性。
　　本研究主要內(nèi)容包括：⑴在深入學(xué)習(xí)了卷積神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，分析了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法思想，并根據(jù)卷積核、網(wǎng)絡(luò)深度、特征維數(shù)等網(wǎng)絡(luò)參數(shù)的不同，設(shè)計(jì)了若干網(wǎng)絡(luò)模型

3、。⑵將INRIA數(shù)據(jù)庫(kù)作為訓(xùn)練樣本，對(duì)上述網(wǎng)絡(luò)模型進(jìn)行實(shí)驗(yàn)，通過(guò)對(duì)比識(shí)別效果，分析上述相關(guān)參數(shù)對(duì)網(wǎng)絡(luò)的影響，并選出性能最佳的網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)訓(xùn)練10次開(kāi)始收斂，識(shí)別率達(dá)到95.56％。⑶鑒于深度學(xué)習(xí)多使用大樣本集，基于小樣本集采用了一種改進(jìn)的算法，引入隨機(jī)Dropout，將一部分的神經(jīng)節(jié)點(diǎn)隨機(jī)數(shù)置零，保持其權(quán)值不更新。對(duì)改進(jìn)的模型在INRIA子集和自建樣本集上進(jìn)行驗(yàn)證。實(shí)驗(yàn)證明，該方法可以在小樣本情況下提高人體的識(shí)別率，有效緩解過(guò)擬合現(xiàn)