论文部分内容阅读
目标检测技术常用来对图像中的目标进行定位,这种技术在工业界有着巨大应用价值,已经广泛应用在智能监控、人机交互、国家安全防护等领域。为了满足人类的各种需要,目标检测算法也在不断改进。传统目标检测方法常常人工构建目标特征,利用滑动窗口的方法获得感兴趣区域,通过人工选择分类器建立分类模型进行区域分类。模型在整个分类过程中存在两个方面的主要问题:一方面是遍历图像获得感兴趣区域的过程过于耗时,同时产生大量多余的无关待检区域,这对模型进行区域分类带来了大量的计算量;另一方面是手工构建的特征鲁棒性较差;而以卷积网络为代表的深层神经网络以其强大的表征能力在目标检测中取得了惊人的成就,基于深度学习的目标检测得到关注并逐渐成为研究的热点。深度学习目标检测算法可以分为二阶段系列和一阶段系列,二阶段算法的准确率高但检测过于耗时,而一阶段算法在保持一定准确率的同时提高了检测速度,满足实时检测的需求,更适合实际应用。在深度学习中YOLO系列是一阶段目标检测算法中具有代表性的算法之一,采用简单的卷积模块就能较好的提取目标特征,而且还利用上下采样、跳跃层连接等操作得到多尺度特征图并进行多尺度预测。本文以YOLO v3网络为基础分别对实验鼠检测和实验人员规范着装问题展开研究,由浅入深的论述了全卷积网络目标检测框架的实现原理。在对实验鼠进行目标检测时,由于实验鼠的外观和背景相对单一,因此选用了轻量级检测网络—YOLO v3-tiny算法对实验鼠进行目标检测。而对于实验人员规范着装的检测考虑到实验室门口光照变化、噪声影响较大,因此选用了卷积深度更深的YOLO v3为检测网络。本文主要研究内容具体如下:(1)研究并实现传统的实验鼠检测算法。为了解决传统的基于图像阈值分割的实验鼠检测方法容易受到光线变化、噪声等影响导致检测效果差的问题。首先观察实验鼠特征,根据图像纹理平滑、背景梯度均匀的规律提出从梯度幅值和梯度方向两个角度出发来构建特征,然后利用直方图降低特征维度并结合SVM(支持向量机)分类器实现新的实验鼠检测方法。实验结果证明,新方法的精准度和稳定性比图像阈值分割方法明显提高,适用性更加广泛。(2)采用YOLO v3-tiny网络实现实验鼠多尺度的检测并优化算法。本文以实际采集实验鼠数据为训练样本,首先分析训练集中实验鼠的大小比例,确定网络训练参数和优化先验框的锚点个数,在检测过程中通过预处理来增强图像特征。实验在Win10系统下的PyCharm平台利用Pytorch深度学习框架进行训练的,并使用mAP值评估优化前后网络的性能。实验表明,增加多尺度预测的YOLO v3-tiny比传统的SVM分类模型检测更精准、运行时间更短,其优化后的算法mAP值相比更高。(3)构建YOLO v3网络对实验人员着装进行规范化检测。首先利用labelImg软件对实验室门口的监控视频进行信息标注作为训练集,然后搭建Darknet框架,其次分析训练集中实验人员身高比例,确定YOLO v3的网络参数,同时为了减弱光照、噪声的干扰在YOLO v3的预测层级联一个时序纠错模块提高算法精度,最后通过进行实验对比,表明了改进后算法的可行性。