基于深度學習的視頻目標檢測方法研究與系統(tǒng)實現.pdf

1、如何將視頻監(jiān)控網絡獲取的視頻數據利用人工智能的方法進行高效的分析，是近來計算機視覺領域備受大家關注的一個前沿課題。而且隨著計算機科學與技術以及視頻監(jiān)控硬件的快速發(fā)展，業(yè)界對智能監(jiān)控技術的要求也越來越高。所謂的智能視頻監(jiān)控處理技術，主要是可以在不需要人力干預的情況下，利用計算式視覺的圖像分析方法，將視頻監(jiān)控網絡獲取到的視頻解析為一個視頻序列并完成對其的自動分析，進而實現對實際監(jiān)控場景中目標的檢測、分類、識別與跟蹤，再通過既定算法完成對當前

2、視頻目標行為的分析。這種技術可以在完美替代傳統(tǒng)監(jiān)控所有功能的同時，還可以對突發(fā)的各種異常情況做出迅速的反應。而視頻目標檢測是整個智能視頻處理系統(tǒng)的基礎部分，更是后續(xù)的各種高級應用（如目標跟蹤、目標再識別）的基礎，因此視頻目標檢測在智能視頻分析系統(tǒng)中起著關鍵性的作用。本文基于深度學習對視頻目標檢測方法進行研究，利用深度卷積神經網絡多層非線性結構的特性對視頻目標特征進行整體建模?？紤]到之前的一些視頻目標檢測算法在進行一些小目標檢測時都不夠快

3、速、準確且對不同場景普適性較差，本文結合Faster RCNN對于普通視頻目標檢測快速準確的特點以及ResNet在深度網絡特征提取層加入的effectivepath（多人投票系統(tǒng)），再加上后期對網絡結構的精簡，提出了一個可以對視頻目標進行快速檢測同時兼顧小目標檢測的名為ERF-Net(Efficient Residual Faster rcnn)的深度網絡結構。通過在多個標準數據集和自建數據集上與同類檢測算法進行對比實驗，最后的實驗結果