论文部分内容阅读
互联网产生的海量数据不仅仅是涉及到存储、查询等简单的操作,如何从大数据中提取出来所需要的信息也至关重要。尤其是在安防领域,从海量的视频数据中查找目标人员信息对于刑警来说是关键性线索,但人工查找费时费力,效率低下,有时候还会丢失关键信息。所以行人检测与行人重识别技术一直都是研究热点。本文所设计的行人检测与行人重识别系统是郑州信大先进技术研究院的实际项目,在对系统进行实际需求分析,整体架构设计和网络架构设计的基础上,通过采用基于深度学习的行人检测与特征提取算法,对目标行人的特征向量与数据库中所有行人的特征向量进行欧氏距离的计算,以此来判断行人的相似度,实现了快速行人检测和行人重识别的功能。本文的主要内容如下:第一,对YOLO v3检测算法进行单一行人类别的再训练和测试。数据集由Label Img标注过的5000张实际场景下的行人图片和PASCAL-VOC2012中的行人图片组成,训练之后的YOLO v3网络模型的m AP值达到了92.5%,单张预测的时间稳定在21ms,能够准确并迅速地将图片中的行人检测出来,精度和速度都能满足系统的实际需求。第二,采用Market-1501数据集对Res Net50网络进行了再训练和测试。训练之后Res Net50网络的m AP为75.57%,Rank-1的概率为90.02%,对单张图片分类的时间稳定在28ms,这说明训练之后的网络对行人图片有较好的分类精度和速度。第三,对系统数据库进行详细设计。选择可以进行快速欧氏距离计算的Postgre SQL数据库,对数据库的E-R图、所有实体的模型图、表的逻辑结构以及表的详细内容进行设计,完成并实现了系统数据库的功能。第四,对所设计的系统进行实际应用测试与评估。在系统的基础功能完成测试的基础上,对系统的准确性和实时性进行实际评估。结果表明,在系统界面前四页的返回结果中,四个摄像头拍摄到的同一行人都有的概率达到了90%,这也就说明了使用训练后的Res Net50网络提取出来的行人特征向量有很好的表达能力。算法单张图总共耗时49ms,在满足精度的同时也可以实现实时检测和识别。设计出来的系统操作界面简洁方便,用户不仅可以通过系统查找目标人员,还可以在系统单路或多路显示界面看到最近出现在监控中的行人图片,这在一定程度上保证了监控区域的安全,完全满足了甲方的实际需求。设计的系统已在郑州信大先进技术研究院实际应用。