基于改进YOLOv3网络的行为检测方法研究及应用

摘要

随着科技的进步以及计算机性能的提升，人工智能技术得到广泛的应用。人体行为检测作为人机交互、智能视频监控中的重要技术一直是计算机视觉领域的研究热点。实际检测过程中存在背景复杂、遮挡、动作千姿百态、动作间相识度高等问题，使得检测任务难度加大。基于卷积神经网络的行为检测算法具有较强的特征提取能力和复杂场景中识别精度高等特点得到研究人员的广泛关注。　　本文根据人体行为实时检测要求，以端到端检测算法YOLOv3为基础，提出改进方法提高识别精度。将改进后的算法在UCFSportActiondataset和PASCALVOC2012Actiondataset上进行实验验证，设计并实现行为智能检测系统。主要研究工作如下：　　(1)为了提高YOLOv3卷积神经网络的行为特征提取能力，在不同层次的卷积层中加入不同的注意力模型，即浅层中加入空间注意力模型提高边缘梯度、轮廓信息等特征的提取，在深层中加入通道注意力模型提高高层语义特征提取。在UCFSportActiondataset和PASCALVOC2012Actiondataset上的实验结果表明该模型相比于原网络的mAP值分别提高了2%、1.5%，检测精度高。　　(2)针对实际场景中人体行为类内差异较大，类间相似度高，原YOLOv3网络识别效果不佳的问题，提出HierarchicalBilinear-YOLOv3行为检测模型，简称HB-YOLOv3。该模型在YOLOv3特征金字塔分类网络中引入改进后HierarchicalBilinearPooling模型，增强层间局部特征交互，对比实验表明，该方法在两种数据集上的mAP均提高了1.5%，能够有效提取图像的细粒度特征提升人体行为识别率。　　(3)设计并实现基于Web的人体行为智能检测系统。用户通过该系统可以与服务器进行交互，本文详细介绍检测系统的整体框架以及各个模块的功能，同时展示检测效果。　　通过理论分析与实验结果可知，本文提出的改进算法具有识别速度块，鲁棒性好，识别精度高等特点，可以满足人体行为检测实时性的要求，对复杂场景下的行为检测算法的进一步研究有重要意义。

目录

声明

第1章 绪 论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 传统人体行为检测技术

1.2.2 基于深度学习的人体行为检测技术

1.3 本文研究的主要内容及章节安排

1.3.1 本论文研究内容

1.3.2 本论文章节安排

第2章 网络模型技术研究

2.1 卷进神经网络结构

2.1.1 卷积操作

2.1.2 激活函数

2.1.3 BatchNormalization 层

2.1.4 池化层

2.1.5 全连接层

2.2 卷积神经网络训练过程

2.3 YOLOv3 目标检测算法

2.3.1 Darknet-53特征提取网络

2.3.2 YOLOv3 目标检测实现

2.4 本章小结

第3章 基于注意力模型的YOLOv3 行为检测算法

3.1 注意力机制

3.1.1 空间注意力模型

3.1.2 通道注意力模型

3.1.3 混合注意力模型

3.2 改进后的Darknet-53特征提取网络

3.2.1 注意力模型设计

3.2.2 改进后的Darknet网络

3.3 人体行为检测过程

3.4.1 实验数据集介绍

3.4.2 人体行为检测评价指标

3.4.3 Attention-Darknet模型实验结果分析

3.5 本章小结

第4章 基于改进YOLOv3 的细粒度行为检测模型

4.1 基于深度学习的细粒度图像分类算法

4.1.1 基于强监督的细粒度图像分类算法

4.1.2 基于弱监督的细粒度图像分类算法

4.2 HB-YOLOv3 网络模型构建

4.2.1 改进后的Hierarchical Bilinear Pooling网络模型

4.2.2 改进后的YOLOv3网络模型

4.3 HB-YOLOv3 网络损失函数设计

4.4 实验结果及分析

4.5 本章小结

第5章 人体行为检测系统设计与实现

5.1 系统整体框架

5.2 服务器端功能设计与实现

5.3 客户端功能设计与实现

5.4 本章小结

总结与展望

致 谢

参考文献

攻读硕士学位期间发表的论文及科研成果