基于神經(jīng)網(wǎng)絡(luò)的特定目標(biāo)檢測(cè)與識(shí)別.pdf

1、神經(jīng)網(wǎng)絡(luò)從被提出至今，進(jìn)展顯著，激發(fā)了各個(gè)研究領(lǐng)域的學(xué)者的濃厚興趣。目標(biāo)檢測(cè)以及識(shí)別領(lǐng)域也有不少成功運(yùn)用神經(jīng)網(wǎng)絡(luò)的案例。本文采用神經(jīng)網(wǎng)絡(luò)進(jìn)行了特定目標(biāo)的檢測(cè)與識(shí)別，包括驗(yàn)證碼識(shí)別與行人檢測(cè)兩個(gè)工作，均取得了理想的效果。
　　對(duì)于驗(yàn)證碼識(shí)別，該過(guò)程主要分為圖片預(yù)處理、分割字符、識(shí)別字符三個(gè)過(guò)程，其中字符分割是該過(guò)程的最大難點(diǎn)。本文針對(duì)投影法分割字符時(shí)容易將單個(gè)字符誤分割為多個(gè)字符的缺點(diǎn)進(jìn)行了算法改進(jìn)，采取一種延時(shí)判斷字符邊界的方法來(lái)

2、改進(jìn)投影法，強(qiáng)化邊界判斷的條件，取得了較好的修正效果。本文在小樣本的前提條件下對(duì)比分析了BP神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)的測(cè)試效果。最終選擇了準(zhǔn)確度更高、速度更快的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證碼識(shí)別。
　　本文中的行人檢測(cè)主要由行人檢測(cè)候選框生成和行人識(shí)別兩個(gè)過(guò)程組成。針對(duì)背景分布穩(wěn)定的場(chǎng)景，本文提出了一種基于在線高斯模型的行人檢測(cè)候選框的快速生成方法(OL_GMPG)。對(duì)于上述場(chǎng)景，該方法采用高斯模型擬合行人尺寸分布的方式，可以通過(guò)生成較

3、少數(shù)目的行人候選框達(dá)到較高的檢測(cè)率；并可通過(guò)高斯模型的學(xué)習(xí)與更新過(guò)程，獲取場(chǎng)景中行人頻繁出現(xiàn)的位置以及對(duì)應(yīng)的目標(biāo)尺度信息，為后續(xù)的行人識(shí)別及跟蹤過(guò)程提供了輔助作用，解決了每幅圖像設(shè)置過(guò)多行人檢測(cè)候選框，影響系統(tǒng)實(shí)時(shí)性的問(wèn)題。本文采用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行行人目標(biāo)的識(shí)別，卷積核大小、網(wǎng)絡(luò)層數(shù)等參數(shù)對(duì)整個(gè)網(wǎng)絡(luò)的檢測(cè)結(jié)果與訓(xùn)練效率有著重要的影響。通過(guò)比較分析，本文采用深度為7，卷積核大小為9*9的CNN模型進(jìn)行訓(xùn)練和識(shí)別，避免了傳統(tǒng)行