基于深度學(xué)習(xí)的視頻預(yù)測(cè)及視頻行人檢測(cè)方法研究.pdf

1、隨著科技進(jìn)步和社會(huì)的發(fā)展，計(jì)算機(jī)的存儲(chǔ)和運(yùn)算性能得到了極大的提升，大量的監(jiān)控視頻進(jìn)入計(jì)算機(jī)視覺(jué)領(lǐng)域，給視頻分析提供豐富的實(shí)驗(yàn)數(shù)據(jù)，但同時(shí)也帶來(lái)巨大的挑戰(zhàn)。視頻分析在現(xiàn)實(shí)中有著廣泛的應(yīng)用，比如車(chē)輛導(dǎo)航，交通流控制以及智能偵查等方面。本文主要關(guān)注視頻分析中的視頻預(yù)測(cè)以及視頻行人檢測(cè)，具體開(kāi)展以下工作：
　　首先，目前視頻預(yù)測(cè)研究中通常采用傳統(tǒng)人工特征。但由于存在各種干擾因素，導(dǎo)致手工生成和設(shè)計(jì)的特征很難完成對(duì)于視頻序列的整體描述，不能

2、夠很好的表示真實(shí)圖片。深度學(xué)習(xí)方法加強(qiáng)了特征對(duì)于視頻序列的表達(dá)能力，但并不足以描述復(fù)雜的運(yùn)動(dòng)過(guò)程。而且，目前深度學(xué)習(xí)方法的特征和傳統(tǒng)學(xué)習(xí)方法的特征通常是獨(dú)立進(jìn)行建模，鮮有算法嘗試將兩種特征進(jìn)行融合。為此，本文提出了雙流卷積LSTM自動(dòng)編碼機(jī)。將深度學(xué)習(xí)和傳統(tǒng)學(xué)習(xí)方法相結(jié)合，通過(guò)卷積的LSTM模型對(duì)視頻序列進(jìn)行建模提取特征，并通過(guò)線性串聯(lián)的方式將圖片特征和光流特征相融合，最終通過(guò)卷積LSTM模型生成預(yù)測(cè)視頻序列。該方法提高了視頻預(yù)測(cè)算法的

3、性能。
　　其次，目前視頻行人檢測(cè)研究中存在以下問(wèn)題：傳統(tǒng)的檢測(cè)方法是將視頻分割成單張圖片，利用行人檢測(cè)算法從監(jiān)控圖像中得到行人檢測(cè)框，忽略了視頻序列特有的時(shí)序信息。真實(shí)場(chǎng)景下，背景較為復(fù)雜，利用視頻序列中的時(shí)序信息尤為重要。為此，本文提出了改進(jìn)的faster R-CNN算法，這個(gè)網(wǎng)絡(luò)通過(guò)較大規(guī)模的特征提取網(wǎng)絡(luò)學(xué)習(xí)到強(qiáng)有力的視覺(jué)特征，再通過(guò)LSTM模型對(duì)時(shí)序信息的建模，從而對(duì)最終結(jié)果進(jìn)行修正。同時(shí)最終的殘差連接方式保證了算法準(zhǔn)確度