基于深度回歸的視頻監(jiān)控行人檢測.pdf

1、近年來世界各地恐怖襲擊事件頻發(fā)，對無辜人民的生命財產造成極大威脅。由于監(jiān)控工作人員體能與集中力有限，中央閉路電視覆蓋范圍有限以及安保力度有限等原因，單靠傳統(tǒng)的監(jiān)控系統(tǒng)不足以發(fā)現和預防公共場所以及重要建筑物內的行為可疑目標并提前發(fā)出警報。智能化監(jiān)控以快速在人群中發(fā)現可疑行為為目標，其主要監(jiān)視對象為行人。因此智能監(jiān)控系統(tǒng)架構可大體分解為行人檢測；目標跟蹤和行為識別。其中行人檢測是智能監(jiān)控系統(tǒng)建立的基礎，同時也是系統(tǒng)結構中最具挑戰(zhàn)性的一塊。<

2、br>　　智能監(jiān)控系統(tǒng)需要系統(tǒng)反應速度足夠快以達到及時警報的效果。傳統(tǒng)視頻監(jiān)控行人檢測運算量大，檢測速度慢，目標分割信噪比不高，目前最先進的行人檢測方法相比人類觀測者還存在一定差距。近年來深度學習方法在圖像領域獲得突破性進展，然而深度學習運算復雜度較高。結合深度學習與真實監(jiān)控視頻應用場景，本文提出了基于深度回歸的視頻監(jiān)控行人檢測方法。并與經典方法的對比實驗驗證了本文方法的有效性。本文主要研究內容包括了以下幾個方面：
　?。?）傳統(tǒng)

3、行人檢測方法基于分類任務實現，通過滑動窗形式采集圖像灰度做前景背景二分類判別再確定目標坐標定位。加上多尺度檢測因此運算量大?；谶@點本文提出基于回歸任務實現的監(jiān)控視頻行人檢測方法，通過直接預測行人目標坐標位置以實現檢測效果，避免多尺度滑動窗產生的大量冗余運算。
　　（2）基于卷積神經網絡對原始視頻圖像建模，發(fā)現三通道顏色灰度值空間分布規(guī)律與行人目標空間位置坐標的關系。利用逐漸加深的底層卷積層來學習原始像素特征。利用批標準化層加速學

4、習效率。利用全聯接隱含層發(fā)現空間各維度之間關系。利用深度卷積神經網絡輸出層對行人目標的坐標進行定位。
　?。?）基于空間局部性，提出序列化輸入輸出編解碼。針對人群疏密程度差異的特點實現單位樣本內行人目標數量的限制。同時達到對有限的樣本實現數據增強以及降低運算維度以優(yōu)化擬合的效果。
　?。?）通過與最具代表性的方法進行了對比實驗驗證了本文提出的方法的有效性并分析本文提到的方法比經典方法更好的原因，以及本文方法速度比經典方法更快