论文总字数：19326字

摘 要

随着当今科学技术的持续发展,识别行人比以往任何时候都得到了更加广泛的认可,这被使用在公共场所和其他地方有大量的行人。传统的特征可以很好地控制直立步行者的目标，但是因为步行者的目标的外观很容易受到姿势变化因素的影响，如果步行者的姿势不同，对于以往的特征检测效果，会得到极大程度的减弱。但是，先前的检测技术不能满足当今的需求。本文目的研究有一个由人工智能方面的深度学习可视化技术开发的检测工具，并将yolov3作为数据集形成的网络模型。传统的安全时代可以进一步转变为收集、应用和管理数据的人工智能安全时代。因此本文决定进行研究完成关于行人识别检测系统的毕业设计课题。

本次毕业设计着重探讨行人识别检测系统所要使用到的相关原理和算法的选择，使用何种深度学习的神经网络以及哪种对于行人或者是其他目标的特征进行特征提取。本文也将分析现阶段行人检测技术的难点，并选择合适的训练模型。

本文在此篇论文提出了结合Yolov3网络与Sort算法对视频片段中行人或者车辆进行识别和检测。改进了在特征提取方面矩形框选取的算法，这里选择非极大值抑制算法（NMS）

，现在可以对目标识别的准确率达到85%-95%。并且系统可以顺畅的使用，ui界面友好。还需要在深度学习神经网络上进行改进。

关键词：行人识别；Sort算法；深度学习；Yolov3；特征提取

Abstract

With the continuous development of science and technology, pedestrian recognition has been more widely recognized than ever before, which is used in public places and other places where there are a large number of pedestrians. Traditional features can control the upright Walker's target well, but because the appearance of the walker's target is easily affected by posture change factors, so if the walker's posture is different, the previous feature detection effect will be greatly weakened. However, the previous detection technology can not meet the needs of today. This paper is aim to have a detection tool developed by deep learning visualization technology in artificial intelligence, and take yolov3 as the network model formed by data set. The traditional security era can be further transformed into the artificial intelligence security era of data collection, application and management. Therefore, this paper decided to study and complete the graduation project of pedestrian recognition and detection system.

This graduation project focuses on the selection of related principles and algorithms to be used in pedestrian recognition and detection system, what kind of deep learning neural network to use, and what kind of feature extraction for pedestrian or other targets. This paper will also analyzes the difficulties of pedestrian detection technology at this stage, and choose the appropriate training model.

This paper proposes to combine yolov3 network and sort algorithm to recognize and detect pedestrians or vehicles in video clips. In the aspect of feature extraction, the algorithm of rectangle selection is improved. Here, NMS is selected.Now the accuracy of target recognition can reach 85% - 95%. And the system can be used smoothly, UI friendly.

Key words：pedestrian recognition;Feature detection;Deep learning; Yolov3;Feature extraction

目录

摘要 I

Abstract II

第一章 引言 1

1.1 背景课题及研究目的与意义 1

1.2 视频监控现状概述 1

1.3 主要工作 2

1.4 论文组织结构 2

第二章 相关技术基础 3

2.1 行人检测与与跟踪介绍 3

2.2 行人轨迹跟踪 3

2.3 行人再识别 3

2.4 行人检测技术难点 4

第三章 系统需求分析 4

3.1 系统功能需求分析 4

3.1.1 摄像头模块分析 5

3.1.2 行人检测模块 5

3.1.3 训练模型模块 6

3.1.4 行人识别模块 6

3.1.5 数据集模块 6

3.1.6 特征提取模块 7

3.2 系统非功能需求分析 8

3.2.1 技术可行性 8

3.2.2 操作可行性 8

3.2.3 经济可行性 8

3.3 本章小结 8

第四章 系统设计 9

4.1 系统总体设计 9

4.1.2 系统功能模块结构设计 9

4.1.3 系统总体工作流程设计 9

4.2 系统详细设计 10

4.3 核心算法设计 12

4.4 本章小结 17

第五章 系统实现与测试 18

5.1 系统实现工具与环境 18

5.2 核心代码分析 18

5.3 系统主要运行界面 22

5.4 系统测试 25

5.4.1 系统测试环境与工具 25

5.4.2 系统功能测试 25

5.5 本章小结 26

第六章 总结与展望 27

6.1 总结 27

6.2 展望 27

致谢 28

参考文献 28

第一章 引言

1.1背景课题及研究目的与意义

行人识别技术是智能监控系统的重要技术之一。随着科学技术的持续发展，行人识别系统变得越来越普遍，尤其是在无人驾驶监控和无人监控其他行人众多的地方，同时人们越来越关切在监控摄像头方面的安全。

对于行人识别技术，首先就它的技术水平来看，技术已经较为成熟。从最开始，我们所知晓的大部分CNN算法仅能够自学习全局方面的特征，却忽略了更为重要的人的空间特征，所以这往往会带来一系列的问题，比如：能够影响机器进行特征学习的因素是不足够精确的人物检测框。对度量学习造成了一定程度的影响的因素还包括行人在监控中的姿势的改变以及人体在行动中不同程度的变形。在导入信息时，行人的关键部分被覆盖也能导致带来无关的上下文信息从而影响识别结果。最后，在行人识别的时候，若能做到可以辨别两个关键特征极度相似的人体时，能够着重加强彼此局部差异在全局特征的识别上是相当重要的。

剩余内容已隐藏，请支付后下载全文，论文总字数：19326字