《基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究.ppt》由會員分享，可在線閱讀，更多相關《基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究.ppt（59頁珍藏版）》請在裝配圖網(wǎng)上搜索。

,The Graduation Thesis Defense,基于卷積神經(jīng)網(wǎng)絡的 目標檢測算法研究,哈爾濱理工大學 Harbin University of Science and Technology,,,哈爾濱理工大學-測通學院,,CONTENTS,1,4,2,5,3,6,研究背景,研究方法2,理論基礎,結論,研究方法1,科研成果,RESEARCH BACKGROUNDS,RESEARCH FRAMWORK,RESEARCH METHODS,ANALYSIS AND DISCUSSION,CONCLUSION,SCIENTIFIC ACHIEVEMENTS,,,,1,研究背景,RESEARCH BACKGROUNDS,內容簡介 BRIEF INTRODUCTION,本文以智能交通為背景，針對智能視頻監(jiān)控系統(tǒng)進行剖析，對其中目標檢測算法進行了具體的研究和改進。 首先，針對目標檢測特征提取環(huán)節(jié)，本文以卷積神經(jīng)網(wǎng)絡為基礎，構建深度特征提取器，提取深度特征訓練可變形部件模型，作為最終的檢測模型，并有效的提高檢測精度。 另外，在目標后處理環(huán)節(jié)中，將抑制重復檢測和誤檢的面積重疊率閾值動態(tài)化后，進一步的提高了檢測精度，減少了誤檢和重檢。,PPT模板下載： 行業(yè)PPT模板： 節(jié)日PPT模板： PPT素材下載： PPT背景圖片： PPT圖表下載： 優(yōu)秀PPT下載： PPT教程： Word教程： Excel教程： 資料下載： PPT課件下載： 范文下載： 試卷下載： 教案下載： PPT論壇：,智能交通中的目標檢測,傳統(tǒng)的視頻監(jiān)控解決方案只是進行視頻圖像的記錄、存儲與調取等機械的操作，用來記錄發(fā)生的事情，不具有針對異常情況進行預測和報警的作用。需要工作人員時時刻刻查看顯示屏，才能進行預測和報警。由于傳統(tǒng)視頻監(jiān)控技術的不足，所以智能視頻監(jiān)控被用來幫助工作人員發(fā)現(xiàn)異常情況并及時報警。,,1,研究背景,RESEARCH BACKGROUNDS,智能視頻監(jiān)控的功能是讓計算機模擬人類的大腦對圖像的處理機制，利用攝像頭模擬的人類的眼睛，運行圖像處理算法，分析從攝像頭中獲取的圖像序列，并對被監(jiān)控場景中的內容進行理解，實現(xiàn)對異常行為的自動預警和報警。智能監(jiān)控的智能化主要表現(xiàn)在對圖像序列中的目標進行檢測、目標識別，理解目標的行為。目前常用的智能監(jiān)控系統(tǒng)主要包括視頻獲取、圖像預處理、目標檢測、目標分類、目標跟蹤、目標行為分析和理解等七個部分，圖1-1給出了智能監(jiān)控系統(tǒng)具體的流程圖。,圖1-1,國內現(xiàn)狀,大部分目標檢測算法任然使用單一或者幾種手工設計的特征。手工設計的特征，不僅計算開銷大，降低算法的執(zhí)行速度，對于目標多樣性的變化并沒有很好地魯棒性，嚴格限制應用前提。因此亟需對特征提取進行改進。,,1,研究背景,RESEARCH BACKGROUNDS,國外現(xiàn)狀,在國外，也經(jīng)歷了由人工設計特征到算法自動設計并提取特征的過程。2010年， Dalai等利用人工設計的方向梯度直方圖特征，訓練出來多視角的可變形的檢測模型，雖然有效的提高了檢測精度，但仍然存在計算復雜，對小目標魯棒性不強等問題。2012年，卷積神經(jīng)網(wǎng)絡在全球圖像分類比賽中得到最優(yōu)的成績，因此卷積神經(jīng)網(wǎng)絡自適應的提取圖像特征受到重視，卷積神經(jīng)網(wǎng)絡通過反向傳播算法進行網(wǎng)絡參數(shù)的更新，通過自適應的調整不同特征的權重有效的組合特征，得到魯棒性更好的高層特征。因此，如果讓計算機主動學習圖像的特征，相對于人工設計的特征而言，能夠有效的提高檢測精度，改善實驗結果。,,1,研究背景,RESEARCH BACKGROUNDS,國外現(xiàn)狀,,1,研究背景,RESEARCH BACKGROUNDS,目標檢測；卷積神經(jīng)網(wǎng)絡；非極大值抑制,本文研究的最終目的是將卷積神經(jīng)網(wǎng)絡應用到目標檢測任務中：如何避免手工設計的特征，減少計算的復雜度，提高算法執(zhí)行速度，最終提高檢測精度。具體的基于現(xiàn)有的開發(fā)庫，在現(xiàn)有的卷積神經(jīng)網(wǎng)絡模型的基礎上，利用遷移學習和重新訓練，更新模型參數(shù)，提取深度特征并訓練分類器。同時在滑動窗口檢測后，動態(tài)化面積重疊率閾值，進一步提高檢測精度。,,目標檢測,針對不同場景圖像，能夠對不同類目標進行自動檢測和識別，定位目標的位置和識別目標的類型。,,卷積神經(jīng)網(wǎng)絡,一種模擬人類大腦皮層視覺處理機制，由多個神經(jīng)元連接并列成一層，多層神經(jīng)元構成多層視覺處理結構。,,非極大值抑制,檢測過程得到的重復檢測和誤檢，需要利用非極大值抑制算法來減少，對于不同類的目標需要動態(tài)化面積重疊率閾值。,,1,研究背景,RESEARCH BACKGROUNDS,,研究 內容,,深度學習,研究了深度學習的背景知識：包括深度學習的概念，以及典型的常用的深度學習模型。,,卷積神經(jīng)網(wǎng)絡,研究了卷積神經(jīng)網(wǎng)絡的基本原理，組成和連接方式。,,基于深度特征的目標檢測,研究了基于現(xiàn)有的卷積神經(jīng)網(wǎng)絡模型Alexnet,通過遷移學習，獲得深度特征提取器，提取特征訓練多組件的可變形部件模型，對不同類目標的多樣姿態(tài)進行檢測。,,基于動態(tài)閾值的非極大值抑制,研究了目標檢測后處理過程，分析了其中的非極大值抑制算法，對核心的閾值進行了動態(tài)化，實現(xiàn)了自適應的抑制重檢和誤檢。,,1,研究背景,RESEARCH BACKGROUNDS,1,2,3,深度學習,卷積神經(jīng)網(wǎng)絡的連接方式,卷積神經(jīng)網(wǎng)絡,,2,研究框架,RESEARCH FRAMWORKS,,深度學習概念,典型的深度學習模型,,卷積神經(jīng)網(wǎng)絡基本原理,前向傳播和反向傳播,,局部感受野和權值共享,多核卷積,,,,2,研究框架,RESEARCH FRAMWORKS,在大數(shù)據(jù)，大模型，大計算的驅動下，深度學習屬于一種深度學習模型。其實深度學習實質就是將低層特征進行有效的組合從而生成更豐富的深層特征，現(xiàn)有的許多識別和分類模型都是淺層模型，限制較多，在樣本數(shù)量較少，計算機計算單元不足的情況下，對高非線性的復雜函數(shù)的逼近能力不足，所以應用于識別和檢測問題時，會出現(xiàn)分類準確率不高，泛化性不足等問題。而利用深度學習框架則不同，通過訓練深層非線性的多層網(wǎng)絡模型，學習到的最優(yōu)模型參數(shù)可以將樣本的最本質的特征表示出來。 深度學習最經(jīng)典的模型就是全連接的神經(jīng)網(wǎng)絡，如自適應編碼器，深度置信網(wǎng)絡，還有就是卷積神經(jīng)網(wǎng)絡。,1.深度學習,,深度學習的基本概念,,深度學習的典型結構,,,2,研究框架,RESEARCH FRAMWORKS,2.卷積神經(jīng)網(wǎng)絡,,卷積神經(jīng)網(wǎng)絡的基本原理,卷積神經(jīng)網(wǎng)絡是第一個真正訓練多層神經(jīng)元連接的深度學習模型，該模型構造方式是受到人類視覺系統(tǒng)處理機制的影響，利用權值共享的神經(jīng)元在輸入圖像上進行卷積計算，則能獲得同一種特征，當利用多種不同權值的神經(jīng)元在輸入圖像上進行卷積操作，則能獲得多種特征。該網(wǎng)絡可以直接輸入原始圖像，避免了對圖像進行復雜的前期預處理，因而得到廣泛的應用。,,2,研究框架,RESEARCH FRAMWORKS,CNN模型AlexNet，是由多層神經(jīng)元構成，其中前5層為卷積層，因為這些層神經(jīng)元的連接方式是通過卷積核模板連接，是非全連接的方式連接，所以稱為卷積層。后三層為全連接層，采用的連接方式為全連接，所以稱為全連接層。,,卷積神經(jīng)網(wǎng)絡的基本原理,卷積層，每一層和前一層之間依靠卷積核連接，每一個卷積核都在前一層特征映射圖的局部感受野進行卷積操作，同時由于卷積核表示的是神經(jīng)元權重。卷積模板為22，上一層的特征圖分辨率是44，用這個卷積核在特征圖上按固定的步長和順序遍歷計算一遍，計算得到33的特征圖,池化層也是CNN模型中重要的一層，對于降低特征向量的維數(shù)，避免維數(shù)災難有重要的作用。所以一般情況下，池化層都是跟隨在卷積層的后面。圖像在某一區(qū)域的特征分布與其他區(qū)域的特征分別類似。所以在描述大的圖像時，可以對不同位置的特征進行聚合統(tǒng)計，聚合統(tǒng)計后在求均值或者最大值，均值或者是最大值即為池化后的結果。,,2.卷積神經(jīng)網(wǎng)絡,,,2,研究框架,RESEARCH FRAMWORKS,2.卷積神經(jīng)網(wǎng)絡,,卷積神經(jīng)網(wǎng)絡的基本原理,從人類大腦角度理解神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡中的神經(jīng)元與我們的大腦無關，是通過函數(shù)f將輸入圖像轉變成類別評分。,,,2,研究框架,RESEARCH FRAMWORKS,2.卷積神經(jīng)網(wǎng)絡,,卷積神經(jīng)網(wǎng)絡的基本原理,從人類大腦角度理解神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡中的神經(jīng)元與我們的大腦無關，是通過函數(shù)f將輸入圖像轉變成類別評分。,,2,研究框架,RESEARCH FRAMWORKS,,卷積神經(jīng)網(wǎng)絡的基本原理,,2.卷積神經(jīng)網(wǎng)絡,,2,研究框架,RESEARCH FRAMWORKS,,前向傳播和反向傳播,,2.卷積神經(jīng)網(wǎng)絡,,2,研究框架,RESEARCH FRAMWORKS,,前向傳播和反向傳播,,2.卷積神經(jīng)網(wǎng)絡,,2,研究框架,RESEARCH FRAMWORKS,,局部感受野和權值共享,,2.卷積神經(jīng)網(wǎng)絡,（a）神經(jīng)元在感受野全連接,（b）神經(jīng)元在感受野局部連接,,2,研究框架,RESEARCH FRAMWORKS,,多核卷積,,2.卷積神經(jīng)網(wǎng)絡,邊緣特征,LBP特征,,3,研究方法1,RESEARCH METHODS1,1,基于深度特征的目標檢測,,提取深度特征,訓練分類器,目標檢測,結果與分析,,遷移學習,深度特征金字塔,,訓練LSVM,PASCAL數(shù)據(jù)集,,單組件目標檢測,多組件目標檢測,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,Felzenswalb等人[40]研究了基于可變形部件模型DPM，通過提取目標的HOG特征，對組成目標的局部模型建模，采用多樣本學習并進行推理，最后利用根濾波器和部分濾波器對測試圖像進行匹配檢測實現(xiàn)目標檢測。該方法為基于模型的檢測方法提供了新的思路, 但是局部判別式模型只采用了HOG特征，忽略的一些可靠的高層和底層特征，在一定程度上制約了檢測的精度。,本章利用CNN對DPM算法進行改進。首先通過遷移學習獲取CNN模型AlexNet，然后將其截斷獲得AlexNet的卷積層，用來提取豐富的高層特征，具體是利用模型的前5層卷積層來獲取深度特征，然后利用特征金字塔的每一層特征訓練隱藏變量的支持向量機LSVM得到DPM的全局檢測器和局部檢測器。檢測的過程中要對測試圖像構造全局特征映射圖和局部特征映射圖，再對局部特征映射圖進行池化，之后級聯(lián)全局特征映射圖得到新的特征映射圖，然后用訓練好的判別式模型去卷積級聯(lián)后的特征映射圖，得到檢測結果。實驗表明，利用CNN獲取深度特征，訓練可變形部件模型，有效的改進了算法的檢測精度。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,遷移學習,,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,遷移學習,,通過分析AlexNet模型中的隱層可以發(fā)現(xiàn)，其中的底層的功能的是圖像通用特征的提取，并在高層生成圖像的深度特征。這一發(fā)現(xiàn)暗示，如果將AlexNet的底層看做一個特征提取器，則可以在其他的視覺任務重復中使用。因此最終用ImageNet訓練AlexNet模型獲得初始參數(shù)，然后利用遷移學習獲得最終的模型參數(shù)。,,參數(shù) 遷移,源任務,目標任務,,,,可變形部件模型,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,深度特征金字塔,,,,,首先要截斷該網(wǎng)絡，去除掉最后卷積層后的Mp層(max pool，如圖2-4)，所有的全連接層(fc6，fc7，fc8，如圖2-4)。這樣，網(wǎng)絡的輸出變成了第5層卷積層計算得到的256通道特征映射圖。 其中最左側的是輸入圖像，后面的5層是卷積層，最右側的是第5層卷積層，也就是卷積模型的輸出層，該層包含256個卷積模板，所以得到的特征金字塔每層都有256個通道特征圖。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,提取深度特征,,,從圖3-4中可以看出，利用AlexNet前5層卷積層得到的深度特征金字塔的可視化圖，選取的是256通道中的最后一個通道的七層。圖中第一排第一列是原圖像，接著從左往右分別是深度特征金字塔層的第一層、第二層、第三層，第二排從左往右表示的是深度特征金字塔的第四至第七層。從圖中可以看出，金字塔層的第一層尺度是原圖像尺度的十分之一。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,訓練分類器,,,PASCAL VOC 2007數(shù)據(jù)集 訓練及測試樣本,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,訓練分類器,,,本文采用的DPM算法，需要訓練出目標的 全局模型和局部模型，由于沒有在訓練集 和測試集中的標注文件中給出部件的類別 和位置信息，所以相當于將部件的信息隱 藏起來了，將這些信息作為隱藏變量，將 所有的隱藏變量定義為集合，集合中定義 了樣本所有可能的隱藏變量值。,,,這里是模型參數(shù)向量，是隱藏變量。是樣本所有可能取的隱藏變量值的集合。對以上得分閾值化，就可以得到了樣本的分類類標。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,訓練分類器,,,本文使用帶類標的樣本,來訓練參數(shù)， 通過最小化下面的目標函數(shù)：,,,其中是標準鉸鏈損失函數(shù)，常數(shù)C控制正則項的相對權重。,,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,單組件目標檢測,,,,1. 獲得5層CNN輸出的 256通道7層特征金字 塔，對于其中的每一 層分別輸入到檢測系 統(tǒng)中；,2. 將每一層通道特征圖分別 去和根濾波器，個部件濾 波器進行卷積，得到個特 征圖；,3. P個局部檢測器得到的特 征圖進行距離池化層處理；,單組件可變形部件模型檢測流程圖,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,單組件目標檢測,,,,4.局部檢測器池化后的個特征圖級聯(lián)上全局檢測器的特征圖；,5. 通道的特征圖和目標幾何濾波器進行卷積，得到的是判別式模型在輸入特征金字塔每一層的得分。,單組件可變形部件模型檢測流程圖,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,多組件目標檢測,,,在本文實驗中，因為每個組件DPM模型在金字塔每一層都會產(chǎn)生一個得分圖，假設即為組件在金字塔層的位置q產(chǎn)生的檢測得分。在多組件的DPM模型中，每個組件都會在同一位置形成得分競爭，因此在金字塔的每一個位置都會得到一個最高分，即：,,,其中即為多組件的DPM模型在金字塔層q位置的最終的得分，的計算公式可以利用公式（3-12）計算。,,其中組件c的目標幾何濾波器，是根濾波器和部件濾波器在位置的得分子陣，是組件的得分偏差。具體的多組件DPM模型競爭方式。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,PASCAL VOC2007數(shù)據(jù)集實驗結果,,,對于不同算法需要有同一的評價指標來衡量該算法的性能如何，本文用的評價指標是：precision–recall曲線，該曲線是最常用的評價檢測算法性能的指標，類似的還有ROC曲線和DET曲線，本文選擇precision–recall曲線作為評價本文提出的DP-DPM算法性能的指標。曲線縱坐標為precision，衡量的是在檢測結果中，檢測正確的正樣本占檢測出來的正樣本的比重。橫坐標為recall，衡量的是檢測出來的真正樣本占所有真正樣本的比重。評價精度計算的是recall坐標區(qū)域的平均值，即PR曲線包圍的面積，不同算法對比時，平均高的表示算法的準確率更好。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,檢測結果與分析,,,,,,圖3-9表示訓練不同組件數(shù)，部件數(shù)為5的DPM模型在VOC2007數(shù)據(jù)集中檢測自行車和馬的精度對比圖。其中DP-DPM表示深度特征金字塔訓練LSVM得到的分類模型，用DP-DPM表示，HOG-DPM表示HOG特征金字塔訓練LSVM得到的分類模型，用HOG-DPM表示。從圖3-9（a）中可以看出，5個部件數(shù)的DP-DPM模型的檢測結果要明顯優(yōu)于5個部件數(shù)的HOG-DPM模型的檢測結果。,在自行車的檢測結果中可以看出，單組件時DP-DPM精度為0.532，HOG-DPM精度為0.312， 改進后的精度提高了70.5%；3組件時，DP-DPM相對于HOG-DPM改進了63.2%；6組件時， DP-DPM相 對于HOG-DPM改進了45.9%。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,檢測結果與分析,,,,從圖3-9（b）中可以看出，5個部件數(shù)的DP-DPM模型的檢測結果要明顯優(yōu)于5個部件數(shù)的HOG-DPM模型的檢測結果。在馬的檢測結果中可以看出，單組件時DP-DPM精度為0.532，HOG-DPM精度為0.342，改進后的精度提高了55.5%；3組件時，DP-DPM相對于HOG-DPM改進了59.8%；6組件時，DP-DPM相對于HOG-DPM改進了56.7%。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,檢測結果與分析,,,表 3-1 DP-DPM和HOG-DPM兩種算法在PASCAL VOC2007數(shù)據(jù)集上的檢測結果。,兩種算法分別訓練1個、3個、6個組件的DPM模型，含有的部件數(shù)都為5。對于VOC2007數(shù)據(jù)集中的所有的目標類，改進后DP-DPM算法的檢測精度相對于改進的HOG-DPM算法的檢測精度都有大幅提高，且隨著組件越多，檢測精度越高，這是因為組件越多，包含目標不同視角的剛性結構模型也就越多，模型匹配的越準確，精度自然就能提高。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,檢測結果與分析,,,表 3-2 DP-DPM和HOG-DPM兩種算法在PASCAL VOC2012數(shù)據(jù)集上的檢測結果,對于PASCAL VOC2012數(shù)據(jù)集中目標類，改進后DP-DPM模型的檢測精度相對于改進前的HOG-DPM模型有很大提高。從表3-2中見隨著組件數(shù)量的增加，各類的檢測精度逐漸提高。,,3,研究方法1,RESEARCH METHODS1,,3.基于深度特征的目標檢測,,小結,,,本章通過介紹基于HOG特征的目標檢測算法，引出單一特征有效性不高的問題，然后介紹了如何利用CNN的來提取深度特征金字塔，包括如何獲得預訓練的AlexNet模型，然后通過遷移學習獲得目標模型的初始參數(shù)，并將AlexNet模型截斷獲得包含5層卷積層的特征提取器，依次提取圖像的深度特征。然后介紹了如何利用提取的特征向量訓練LSVM得到單組件的DPM模型；最后介紹了通過競爭方式判斷出多組件中的得分最高的組件。,,3,研究方法,RESEARCH METHODS,2,基于動態(tài)閾值的非極大值抑制,,動態(tài)閾值的非極大值抑制,固定閾值的非極大值抑制,結果與分析,,重檢與誤檢,非極大值抑制,VOC2012數(shù)據(jù)集實驗結果,VOC2007數(shù)據(jù)集實驗結果,,真實場景的檢測結果,,,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,固定閾值非極大值抑制算法,檢測后處理過程,完整的目標檢測算法包括三個階段，學習階段，預測階段，和抑制重復檢測階段。第一階段主要是特征提取并且訓練可變形部件模型，第二階段主要是利用模型對測試樣本進行預測，第三階段的任務是對預測的結果進行檢查，抑制掉多余的重復檢測和誤檢。 當前，目標檢測普遍使用基于貪心策略的非極大值抑制算法[47]，因為它簡單高效。在DPM算法中都有不錯的表現(xiàn)。,,NMS,,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,重復檢測和誤檢,基于滑動窗口的檢測，本文使用的方法是保持圖像尺度不變，調整滑動窗口的尺度，利用不同尺度的滑動窗口分別遍歷圖像，利用分類模型對特征向量進行判斷。保持圖像尺度不變，改變滑動窗口的尺度來檢測目標。,滑動窗口經(jīng)過閾值判斷后保留下來的窗口，包括重檢和誤檢的,經(jīng)過非極大值抑制算法，抑制掉了重檢和誤檢后，保留了檢測正確的窗口,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,固定閾值的非極大值抑制,NMS過程的實現(xiàn)是由三個循環(huán)嵌套組成的，第一層循環(huán)也稱為外層循環(huán)，在外循環(huán)遍歷所以窗口的分數(shù)并且按照分數(shù)由高到低將窗口排序，選擇分數(shù)最高的作為初始窗口，剩下的窗口稱為抑制窗口。第二層循環(huán)稱為中層循環(huán)，中層循環(huán)是為了計算初始窗口和抑制窗口的面積重疊率o。第三層循環(huán)稱為內循環(huán)，內循環(huán)是為了比較o和閾值overlap的大小并且抑制o大于overlap的抑制窗口。,,由于窗口分數(shù)在外層循環(huán)經(jīng)過排序，所以一側的窗口分數(shù)總是比候選的窗口分數(shù)低，所以中環(huán)和內環(huán)迭代n-1次剛好就是初始窗口和抑制窗口做n-1次比較，并且n-1次比較后內環(huán)和中環(huán)中止。公式說明了傳統(tǒng)非極大值抑制中閾overlap的大小。,,,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,重復檢測和誤檢,固定閾值的非極大值抑制,動態(tài)閾值非極大值抑制,將原始算法中的overlap動態(tài)化,,,,,,,,目標檢測結果圖,NMS作用后,ANMS作用后,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2007數(shù)據(jù)集實驗結果,,圖4-5表示的是ANMS-PART，ANMS-ROOT，NMS-PART和NMS-ROOT四種不同的方式在VOC2007數(shù)據(jù)集中小汽車和馬的檢測精度對比圖。其中ANMS-PART表示的是單獨利用局部檢測器是在測試數(shù)據(jù)集上進行測試，然后利用ANMS抑制局部檢測器的檢測結果中的重檢和誤檢；ANMS-ROOT表示單獨利用全局檢測器是在測試數(shù)據(jù)集上進行測試，然后利用ANMS抑制全局檢測器的檢測結果中的重檢和誤檢；NMS-PART表示的是單獨利用局部檢測器是在測試數(shù)據(jù)集上進行測試，然后利用NMS抑制局部檢測器的檢測結果中的重檢和誤檢；NMS-ROOT表示單獨利用全局檢測器是在測試數(shù)據(jù)集上進行測試，然后利用NMS抑制全局檢測器檢測結果中的重檢和誤檢。,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2007數(shù)據(jù)集實驗結果,,圖4-5表示的是ANMS-PART，ANMS-ROOT，NMS-PART和NMS-ROOT四種不同的方式在VOC2007數(shù)據(jù)集中小汽車和馬的檢測精度對比圖。其中ANMS-PART表示的是單獨利用局部檢測器是在測試數(shù)據(jù)集上進行測試，然后利用ANMS抑制局部檢測器的檢測結果中的重檢和誤檢；ANMS-ROOT表示單獨利用全局檢測器是在測試數(shù)據(jù)集上進行測試，然后利用ANMS抑制全局檢測器的檢測結果中的重檢和誤檢；NMS-PART表示的是單獨利用局部檢測器是在測試數(shù)據(jù)集上進行測試，然后利用NMS抑制局部檢測器的檢測結果中的重檢和誤檢；NMS-ROOT表示單獨利用全局檢測器是在測試數(shù)據(jù)集上進行測試，然后利用NMS抑制全局檢測器檢測結果中的重檢和誤檢。,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2007數(shù)據(jù)集實驗結果,表4-1中PART表示的局部檢測器，ROOT是全局檢測器。從表4-1中發(fā)現(xiàn)ANMS-DPM現(xiàn)對于NMS-DPM在VOC2007數(shù)據(jù)集中，檢測精度都有所提高，說明引入分數(shù)比和尺度比的動態(tài)化的抑制閾值對不同目標類具有更好的普適性，能夠根據(jù)得分和尺度來自適應選擇合適的抑制閾值。部件檢測精度提高最多的是bicycle類，使用ANMS代替NMS之后，部件濾波器檢測精度提高了14.4%；根濾波器檢測精度提高最多的是person類，提高程度為12.2%。部件濾波器檢測精度提高程度最低的是sofa類，提高程度為2.7%。根濾波器提高檢測精度提高最低的是train類，提高程度為1.9%。,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2007數(shù)據(jù)集實驗結果,ANMS-DPM算法在PASCAL VOC2007數(shù)據(jù)集上的檢測結果圖,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2012數(shù)據(jù)集實驗結果,表4-2中反映出改進后的ANMS-DPM與改進前NMS-DPM相比，在 VOC2012數(shù)據(jù)集上的檢測得分更高些。從表4-2中可以看出，全局檢測器檢測時，精度提高最多的類是馬，檢測精度提高程度為10.3%；提高最少的類是行人，提高程度為2%；局部檢測器檢測時，提高精度最高的類為摩托車，提出程度為9%，提高程度最少的為馬，降低了4%。,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,VOC2012數(shù)據(jù)集實驗結果,ANMS-DPM算法在PASCAL VOC2012數(shù)據(jù)集上的檢測結果圖,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,真實場景的檢測結果,（a）無遮擋尺度單一的行人檢測,（b）有遮擋尺度不一的行人檢測,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,真實場景的檢測結果,（a）無遮擋尺度單一的行人檢測,（b）有遮擋尺度不一的行人檢測,,4,研究方法,RESEARCH METHODS,,4.基于動態(tài)閾值的非極大值抑制,,小結,本章主要圍繞DPM目標檢測算法后處理過程中應用的非極大值抑制算法展開，通過分析非極大值抑制算法，找出該算法的不足，即固定的面積重疊率閾值，緊接著提出利用檢測窗口分數(shù)的二階矩將目標類分開，然后在子類當中再利用分數(shù)比和尺度比建立數(shù)學模型，利用分數(shù)和尺度比自適應的選擇面積重疊率閾值。為了驗證改進后的自適應閾值的非極大值算法的有效性，分別在PASCAL VOC2007和PASCAL VOC 2012兩數(shù)據(jù)集中進行實驗，且從根濾波器和部件濾波器兩個角度進行對比。實驗結果發(fā)現(xiàn)，改進后的ANMS算法具有很好的普適性，不管是根濾波器還是部件濾波器，對數(shù)據(jù)集中所有類，檢測精度都有不同程度的提高。,,,本文針對智慧城市技術的核心技術目標檢測算法，分析了該類算法的兩類問題：一是特征，現(xiàn)有算法基本采用的是人工設計的單一特征或幾種特征組合。這些人工設計的特征設計復雜且很容易引入噪聲，無法充分的包含圖像的有用信息。二是后處理過程，現(xiàn)有的后處理算法只采用了固定大小的抑制閾值，無法針對不同目標自適應的調整閾值。 本文CNN為基礎，提取深度特征訓練可變形部件模型，得到最終的檢測模型，有效的提高了檢測精度。另外對非極大值抑制的閾值動態(tài)化，也提高了檢測精度。,,5,結論,CONCLUSION,,,1,2,王愛麗,胡長雨. 基于ORB特征的復雜場景下的增強現(xiàn)實. 哈爾濱理工大學學報, 2017, 4(中文核心，已錄用).,Aili Wang, Changyu Hu, X Liu, et al. A modified of the non-maxima suppression algorithm International Conference of Electronic Engineering & Information Science, 2016, January, 69-72(EI會議，待檢索).,,科研成果,,6,科研成果,CONCLUSION AND SUGGESTIONS,致謝感恩,The Graduation Thesis Defense,,,,