导读:本文包含了行人检测识别论文开题报告文献综述及选题提纲参考文献，主要关键词:智能交通,智慧灯杆,人工智能,目标检测
行人检测识别论文文献综述
陈振武,张枭勇,黎旭成[1]（2019）在《基于智慧灯杆的行人检测与重识别》一文中研究指出智慧灯杆是智能交通领域重要的物联网基础设施,基于智慧灯杆的智能终端集成技术正处于快速发展阶段。研究了人工智能视频识别技术在智慧灯杆上的集成应用,包括基于单摄像头的行人检测和追踪,基于多摄像头的行人重识别等,并在大规模部署中初步验证了技术的可行性。最后展望了未来的发展需求,包括复杂人群行为识别和区域大规模行人活动链提取,并提出摄像头大规模部署带来的隐私问题和安全保障将会成为未来面临的重大挑战。(本文来源于《山东交通科技》期刊2019年04期）
卢俊俏,颜思璇[2]（2019）在《基于FAST R-CNN行人检测识别的研究与改进》一文中研究指出本文的目的是进行视频中的人行识别,将视频逐帧提取,采用Fast R-cnn,它不仅实现了识别图片中单个行人的骨架,还能通过分类判断图片有多少个需要识别的行人,并将各个关节点与每一个行人所相对应,与此同时,它也能将各个关节点与行人身上的各个身体部位相对应,从而实现了识别图片中多个行人骨架的目的。(本文来源于《网络安全技术与应用》期刊2019年07期）
石凡[3]（2019）在《基于R-CNN的城市道路行人车辆实时检测识别方法研究》一文中研究指出城市道路监控是监视道路交通安全、整顿城市治安与防范各种犯罪以及恐怖暴力活动的有效手段。以往的道路监控摄像头种类繁多,视频数据整合工作均由人工完成,需要配套大量专业技术人员。而今,随着机器视觉技术的发展、监控智能化的推进,在多项图像感知问题上,算法的性能已超越了人类的,并进入到了大规模工程应用的阶段,但综合应用尚在起步阶段。因此,本文旨在整合最新视觉技术研究成果,构建一套基于R-CNN(Regions with Convolutional Neural Network)的、可依赖不同制式监控摄像头的视频输入、能够实现人车同时检测并分别识别的方法。本文对现有智能监控、行人重识别、车辆号牌检测等技术领域进行了调研,构建了整体方案,将整个算法流程分为了叁部分:目标检测算法,负责从监控视频中对行人车辆进行实时检测并提取出图像信息;行人重识别算法,对行人图像与数据库存图像比较进行重识别;车辆号牌识别算法,对检出的车辆图像,进行号牌识别。而后,对于叁种算法本文进行了深入研究:目标检测算法,对比了Mask-RCNN与Light-Head RCNN算法并结合其他最新成果,对卷积核、网络结构等进行了改进,提高了算法性能,平衡了准确性与实时性;行人重识别算法,应用基于度量学习的方法,设计了相适应的损失函数并将人体解析算法与重识别相结合,在动态自编码方法的基础上提出了通用编码算法,使得算法针对环境、光线更复杂的情况下性能有所提高;车辆号牌识别算法,应用了弱监督不规则字符检测方法,并引入了硬注意力机制,同时生成车牌样本进行模型训练,并针对省份简称识别率低的情况,采用具体先验统计信息对分类器阈值加以修正,从而提高行驶车辆的号牌识别准确率。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
赵蕊蕊[4]（2019）在《行人检测与重识别方法研究及系统实现》一文中研究指出近年来,由于视频监控成本的不断下降和监控效果的逐渐提升,视频监控技术被广泛的应用在城市公共场所和刑侦任务。面对监控系统所产生的海量视频,传统的人工监控方法已不能满足其需求,所以智能视频监控技术的发展已经迫在眉睫,在智能视频监控技术中,行人检测与重识别技术是本文研究的焦点。行人检测是指对图像或视频存在的行人进行识别并定位其坐标位置,而行人重识别技术旨在解决无交叉监控摄像头下捕捉到的行人的同一性认定问题。一方面,随着人口数量的急剧增加,在城市公共场所经常出现人流堵塞,在监控摄像头中也存在行人遮挡问题;另一方面,行人的姿态变化万千,尺度多样,在不同摄像头下存在光照,视角,背景等差异问题,使行人检测和重识别在准确度和速度两方面并不能很好的满足应用要求。目前,深度学习被广泛应用于计算机视觉领域,相较于传统方法,基于深度学习的行人检测和重识别方法可以一定程度的克服以上问题。所以,本论文采用深度学习方法设计了行人检测器,然后把行人检测器与行人重识别算法相结合,构建了行人检测和重识别原型系统。论文具体工作如下:1.将行人检测算法与重识别算法相结合,旨在解决现实场景中由于背景复杂,行人遮挡所引起的重识别准确率较低的问题。其基本思想是:首先,使用基于卷积神经网络的YOLOv2行人检测算法直接对原始图像进行候选框提取,利用原图特征预测出行人位置,将行人检测任务转化为回归任务,实现了行人的实时检测;然后,对输入重识别网络的图像用卷积神经网络提取行人的局部特征并用余弦softmax分类器进行度量学习,从而判断检测出的行人的同一性,实现了端到端的检测与重识别;最后,在模型训练阶段也进行了相应的优化,可以输入任意尺度图像,然后微调损失函数的权重,平衡正负样本,优化检测效果,从而提高模型的泛化能力。实验结果表明,基于YOLOv2的行人检测与重识别系统在识别性能和时间效率方面都得到了较好的效果。2.开发并实现了实时行人检测与重识别系统的原型。本系统由注册和登陆、图像或视频获取与解析、设置、行人检测、行人重识别等模块组成,可以快速,高效的完成检测与识别任务。该系统可以实现23帧/秒的运行速率,符合视频监控的要求,另外在真实场景测试中,本文开发的行人检测与重识别系统也可以满足性能的需求。(本文来源于《安徽大学》期刊2019-05-01）
朱绪冉[5]（2019）在《多摄像机行人检测与行人重识别方法研究》一文中研究指出随着安防监控体系越来越完善,视频监控设备数量越来越多,人们对视频监控技术智能化的要求越来越高。行人重识别作为视频监控技术中的核心环节,利用图像处理、计算机视觉、模式识别和机器学习等相关技术解决跨摄像机跨场景下的行人检索问题。现有大多行人重识别方法都是基于已裁剪好的行人图像进行匹配,然而在实际监控场景下,行人标注是不存在的,需要先在原始视频中检测出所有行人,再进行重识别。为解决上述问题,本文提出一种结合行人检测和行人重识别的算法框架,该框架由两个独立训练的算法组成,分别是检测算法和重识别算法。首先,本论文概述了行人检测和行人重识别技术的研究背景、意义以及现状。然后介绍了相关卷积神经网络的理论知识。其次,为提高行人检测模型的准确率,本文基于多目标检测领域的SSD检测算法进行改进,提出一种二值-SSD(Binary-SSD,B-SSD)行人检测算法。首先根据行人宽高比,设计固定长宽比的先验框代替原本算法中的具有多种长宽比的先验框。其次,使用多种数据增强方式增加训练集样本数量提高网络学习能力。实验表明改进后的B-SSD行人检测算法在准确性和速度上均有提升。然后,为提高行人重识别精度,本文提出一种基于联合学习与重排序的行人重识别方法。首先在特征描述方面,分析和对比了目前行人重识别中常用的两种模型——验证模型和识别模型,为了充分利用监督信息,联合学习两种模型对网络共同约束,使网络学习到具有判别性的行人特征。在距离度量方面,本文引入k互近邻方法对初次距离计算的结果进行重排序,通过去除错误匹配,让更相似的正确匹配排名靠前,从而提高重识别精度。实验表明,改进后的行人重识别算法具有良好的性能。最后,总结了主要研究内容,指出了算法中的不足,展望了未来的研究方向。(本文来源于《中国矿业大学》期刊2019-05-01）
陈恩加,唐向宏,傅博文[6]（2019）在《Faster R-CNN行人检测与再识别为一体的行人检索算法》一文中研究指出为了缩小目前行人再识别算法与真实世界中行人检索任务之间在应用上的差距,将行人检测与再识别这2个模块融为一体,提出一种基于改进的FasterR-CNN的行人检索算法.首先采用对边框进行迭代回归的方法改进原FasterR-CNN中的候选行人边框精度;然后利用包含欧氏距离和余弦距离的混合相似性距离函数来增强网络对于行人相似度的辨识能力;最后利用中心损失函数对网络的损失函数进行改进,通过提高不同行人特征的可区分度,实现更加精准的目标行人检索功能.基于CUHK-SYSU数据集的仿真实验结果表明,该算法的累积匹配特性(CMC top-1)、平均精度均值(mAP)分别为81.6%和78.9%;与相关行人检索算法相比, CMC top-1提升3.0%～18.0%, mAP提升3.0%～23.0%.(本文来源于《计算机辅助设计与图形学学报》期刊2019年02期）
杨忠明,李子龙,胡音文,黄翰,蔡昭权[7]（2019）在《一种前景提取的行人模式识别检测算法》一文中研究指出通过深入研究高斯混合模型、HOG+SVM分类器和Haar+AdaBoost分类器的算法原理,提出了一种基于前景提取和模式识别的行人检测算法,首先使用高斯混合模型进行背景建模,通过前景提取的方法提取出运动物体,对运动物体进行行人检测,最后对判断为行人的对象进行人脸检测,分类区分出蒙面的可疑行人,解决基于背景建模方法的误判问题和基于统计学习方法的效率问题.实验结果表明,相对于单独使用模式识别算法,新算法显着降低了漏检率,且在运行速度和检测率方面表现良好.(本文来源于《郑州大学学报(工学版)》期刊2019年05期）
陈纪铭,陈利平[8]（2018）在《图像自动识别技术在行人异常行为检测中的应用》一文中研究指出图像自动识别技术是计算机图像专业的新型研究领域,同时也是饱受人们关注的学术课题。传统监控视频主要是依据肉眼可视分辨,需要消耗大量人力和物力。基于此,提出图像自动识别技术在行人异常行为检测中的应用。通过图像自动识别技术在行人异常行为检测的一般流程,在划定监测区域的前提下,进行信息扫描识别基础上的特征提取,最终将检测信息和追踪信息进行整合。(本文来源于《信息与电脑(理论版)》期刊2018年22期）
赵东洪[9]（2018）在《基于深度神经网络与相似性分析的视频行人识别检测》一文中研究指出在过去的几年中,大数据采集与深度神经网络技术应用极大地推动了计算机视觉领域的发展,并广泛应用于公安安防行业。行人识别是安防行业视频结构化的重要环节,主要应用于嫌疑人员布控搜查,通过对大量已有监控视频进行分析,可以从中快速检索出疑似的人员,相比传统的人工查看监控录像,行人识别系统能极大(本文来源于《创造》期刊2018年11期）
姜亚东[10]（2018）在《基于卷积神经网络的低分辨率行人与人脸检测和识别研究》一文中研究指出随着人工智能时代的到来,行人、人脸检测及人脸识别技术已经成为研究的重点。智能监控系统是人工智能应用的一个重要场景,在智能监控系统中,必须解决视频中行人的身份识别问题。考虑到监控场景中,光照、目标距离设备较远等原因,导致视频中出现了大量的尺度较小、模糊不清等低分辨率目标,加大了检测和识别的难度。针对该问题,本文在视频场景中重点研究了低分辨率行人与人脸检测和识别的技术,获得了较好效果,主要内容如下。第一,行人人脸识别是确认行人身份的主要手段之一,这要求算法具有行人目标与人脸目标的检测能力,智能监控系统中要求行人与人脸的检测是一一对应的关系,当前少有统一实现行人、人脸一体化检测的算法,基于该情况,本文在MTCNN检测算法的基础上,进行了一系列调整与改进:对MTCNN的整体构架进行了重构,实现了MTCNN算法由“人脸检测”到“行人+人脸”检测的过渡,形成了“先行人后人脸”的检测流程,降低了检测的计算复杂度,提高了检测效率。本文对各级子网络进行了针对性的设计与改进,首先在P-Net的基础上,对网络的结构、卷积核以及各卷积层的输出维度等做了适应性改进,使改进后的网络更有利于行人检测;然后在算法的第二阶段中,本文设计了一个基于多级特征融合的全卷积神经网络,通过将低级、细节特征与高级、抽象特征融合,加强了特征的重用性,弥补了高层特征的语义缺失,增强了高层特征的表达能力,提高了网络对低分辨率人脸目标的检测能力;在算法的最后阶段,本文设计了一个基于金子塔池化的卷积神经网络,使行人与人脸目标的筛选可以共享同一个网络,同时在网络中使用了Batch Normalization,使网络不仅可以同时处理行人目标与人脸目标,而且使网络的分类性能有更好的提升。第二,针对主流的人脸识别算法在低分辨率人脸的识别准确率明显下降的问题,本文深入研究了一种基于卷积神经网络的低分辨率人脸识别算法——DCR模型。为了进一步提高DCR模型对低分辨率人脸的识别能力,本文结合了“二步法”与“跨空间法”的优点,提出了一种基于超分辨率重构的DCR模型。首先设计了基于人脸特征的超分辨率人脸重构模型,利用“感知损失+分类损失”做为重构网络的损失函数,利用人脸特征对重建过程进行约束,使重构生成的人脸更有利于识别。然后对DCR模型进行了一系列的改进与调整,首先对主网络的网络结构进行了改进,将其跨层连接方式改为密连连接,进一步促进网络中的特征传播,增强特征重用性;并对主网络的损失函数进行了改进,使用了改进后的“叁元损失”作为损失函数,直接针对高分辨率与低分辨率之间的人脸特征进行优化,进一步增强了高、低分辨率人脸特征之间的聚合性;同时本文对DCR模型的训练方法进行了调整,添加了主网络与分支网络联合训练的步骤,进一步优化DCR网络参数。本文的算法,在DCR模型的基础上,有效提高了对低分辨率人脸的识别准确率。经试验分析,本文的行人、人脸检测算法可以有效的对行人、人脸目标进行检测。网络中的融合多级特征的机制,有效的提高了算法对低分辨率人脸目标的检测能力,对小尺度、低分辨率的人脸目标由原来的60.7%,提高到63.1%。在低分辨率人脸识别中,本文设计了SR-DCR模型,在DCR的基础上,进一步提高了低分辨率人脸的识别率,且分辨率越低,提升效果越明显。同时SR-DCR模型对不同分辨率具有良好的适应性。(本文来源于《电子科技大学》期刊2018-11-07）
行人检测识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文的目的是进行视频中的人行识别,将视频逐帧提取,采用Fast R-cnn,它不仅实现了识别图片中单个行人的骨架,还能通过分类判断图片有多少个需要识别的行人,并将各个关节点与每一个行人所相对应,与此同时,它也能将各个关节点与行人身上的各个身体部位相对应,从而实现了识别图片中多个行人骨架的目的。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
行人检测识别论文参考文献
[1].陈振武,张枭勇,黎旭成.基于智慧灯杆的行人检测与重识别[J].山东交通科技.2019
[2].卢俊俏,颜思璇.基于FASTR-CNN行人检测识别的研究与改进[J].网络安全技术与应用.2019
[3].石凡.基于R-CNN的城市道路行人车辆实时检测识别方法研究[D].哈尔滨工业大学.2019
[4].赵蕊蕊.行人检测与重识别方法研究及系统实现[D].安徽大学.2019
[5].朱绪冉.多摄像机行人检测与行人重识别方法研究[D].中国矿业大学.2019
[6].陈恩加,唐向宏,傅博文.FasterR-CNN行人检测与再识别为一体的行人检索算法[J].计算机辅助设计与图形学学报.2019
[7].杨忠明,李子龙,胡音文,黄翰,蔡昭权.一种前景提取的行人模式识别检测算法[J].郑州大学学报(工学版).2019
[8].陈纪铭,陈利平.图像自动识别技术在行人异常行为检测中的应用[J].信息与电脑(理论版).2018
[9].赵东洪.基于深度神经网络与相似性分析的视频行人识别检测[J].创造.2018
[10].姜亚东.基于卷积神经网络的低分辨率行人与人脸检测和识别研究[D].电子科技大学.2018