基于深度學習的溯源視頻目標檢測與識別.pdf

1、隨著攝像頭安裝數(shù)量的日益增多，以及智慧城市和公共安全需求的日益增長，采用人工的視頻監(jiān)控方式已經(jīng)遠遠不能滿足需要。深度學習是近十年來人工智能領域取得的最重要的突破之一。目前深度學習中的卷積神經(jīng)網(wǎng)絡方法已經(jīng)在人臉識別、行人檢測、圖像分類等方面取得了優(yōu)異的成績，并獲得了廣泛的應用。
　　本文主要對深度學習技術在溯源計算領域和其他工程領域的具體應用進行探索。針對溯源監(jiān)控視頻中視頻信息處理的問題，通過收集建立深度學習數(shù)據(jù)集和公開數(shù)據(jù)集中訓練

2、的離線卷積神經(jīng)網(wǎng)絡模型，結合視頻和采集處理技術以及web展示技術完成視頻中感興趣物體的在線檢測、識別以及展示，設計出一套滿足實際應用要求的智能視頻監(jiān)控系統(tǒng)。
　　本文的主要貢獻如下:
　　1.基于目標檢測的需求，在視頻處理過程中，使用幀差法解決視頻關鍵幀難以確定的問題，并使用混合高斯建模法和幀差法設計了一種運動目標檢測的方法，該方法可以有效的克服前景提取過程中噪聲和陰影的干擾。
　　2.針對傳統(tǒng)目標分類準確率不高的問題

3、，收集溯源視頻中目標集合，完成目標的分類和標注，并基于該數(shù)據(jù)集，使用深度學習平臺caffe設計和訓練卷積神經(jīng)網(wǎng)絡的離線模型，以提高分類的準確率。
　　3.根據(jù)系統(tǒng)實現(xiàn)的需求，基于“運動檢測+CNN”和“Faster-RCNN”，使用離線訓練的卷積神經(jīng)網(wǎng)絡模型，結合Redis進行數(shù)據(jù)傳遞和web應用平臺LAMP設計和實現(xiàn)實時的目標檢測和識別系統(tǒng)。
　　最后，在以Tesla K40為基礎搭建的硬件平臺中，文章訓練的CNN模型在溯