水库场景中垃圾丢弃识别问题研究——基于卷积神经网络

摘要

随着计算机技术和信息技术的发展，人体行为识别成为计算机视觉领域的一大热门研究方向。而图像分类技术是计算机视觉中重要的基本问题，也是行为识别、物体跟踪等其他高层视觉任务的基础。卷积神经网络—CNN作为一种深度学习算法，依靠其参数共享、局部连接等特点，在图像分类任务中有着出色表现。 水库场景中的垃圾丢弃识别问题是水库环境管理中重要的一环，为了解决该问题，本文将该任务分成两个阶段进行：第一阶段，判别截取的两帧图像中的对象是否手提垃圾；第二阶段，判别上一帧图像中手提垃圾对象和下一帧图像中没有手提垃圾的对象是否是同一个人，如果是，那么可以认为上一帧图像中的手提垃圾对象存在丢弃垃圾行为。 针对第一阶段任务，本文在探讨了卷积神经网络在解决图像分类问题时的优势之后，针对小规模训练样本提出了一种迁移学习模式下的基于AlexNet模型的识别方法，并比较了CNN-with_dropout模型和CNN-without_dropout模型。实验结果表明，迁移学习模式下的卷积神经网络模型在水库场景中的垃圾丢弃识别的第一阶段任务上取得了较好的效果，且dropout技术有效减轻了模型的过拟合程度。 针对第二阶段任务，本文提出用图片相似度的大小来判别是否是同一对象，并比较了三种哈希算法来进行计算：均值哈希、差值哈希、感知哈希。最终发现均值哈希算法相较其它两种算法更加注重局部细节，要求更加严格，所以更加适合任务需求。为了评估该算法的准确度，将同一对象手提垃圾和没有手提垃圾的图像作为示例，采用均值哈希算法计算得到两张图片的相似度为85.37%，结果比较合理。所以，实验结果表明，本文提出的CNN-with_dropout模型与均值哈希的两阶段方法能够较理想地解决水库场景中的垃圾丢弃识别问题。

目录

第一个书签之前

ABSTRACT

1 引言

1.1 研究背景及意义

1.2 研究现状

1.3 本文研究内容与创新点

2 相关技术概述

2.1 卷积神经网络—CNN

2.2 损失函数

2.3 优化算法

2.4 防止过拟合技术

2.5 图片相似度

2.6 本章小结

3 基于卷积神经网络的水库垃圾丢弃识别

3.1 问题描述

3.2 数据集介绍

3.3 数据预处理

3.4 小样本下的迁移学习

3.5 迁移学习模式下的水库垃圾丢弃识别

3.6 相似度分析

3.7本章小节

4 总结与展望

4.1 全文总结

4.2 研究展望

致 谢

参考文献