监控技术质量检测论文提纲

论文题目：基于深度学习的城管道路监控图像目标检测算法研究

摘要：目前国内大多数城市已建成大规模道路监控网络,实现摄像头全覆盖,导致城管道路监控视频爆炸式增长,然而城管视频监控中心仍采用人工观看道路监控视频的方式发现违规事件,存在人力短缺和工作效率低的问题。利用基于深度学习的目标检测技术,不仅可以对机动车违停、占道经营等影响市容市貌、扰乱市民生活的违规事件进行识别,而且可以实现24小时不间断监测和预警。虽然基于深度学习的目标检测算法在公开数据集上性能很好,但是在真实环境中,由于光照、天气、遮挡以及摄像头抖动等原因,街道摄像机采集到的图像质量参差不齐,导致城管道路监控图像目标检测精度较低。针对上述问题,本文对基于深度学习的目标检测算法进行改进,以解决真实环境下的城管道路监控图像目标检测问题,主要研究内容如下:（1）制作城管道路监控图像数据集。为了提高检测精度,本文从城管视频监控中心共采集32197张图像。为了使得训练的算法具有较高的鲁棒性,城管道路监控图像数据集不仅包括不同角度、不同距离、不同亮度、不同天气、不同时间段拍摄的图像,还包括遮挡、模糊、密集场景的图片。本文结合城管实际需求,构建了违法占道广告牌、店外经营、机动车违停、占道经营、非机动车违停等五大类违规目标,并将其细分为16类目标。最后,本文使用Label Img软件将所有城管道路监控图像标注成PASCAL VOC数据集格式。（2）提出改进的级联RCNN城管道路监控图像目标检测算法。首先,为了提高分类精度,该算法使用拆分注意力网络作为主干网络;其次,为了进一步增强特征提取能力,该算法使用了级联特征金字塔结构;第三,为了提高密集目标检测精度,该算法使用了Soft-NMS算法;第四,为了提高定位精度,该算法使用了CIOU损失函数。本文通过实验验证了四种改进方法的有效性,改进后的级联RCNN算法检测精度显著提高。（3）提出改进的YOLOv4城管道路监控图像目标检测算法。虽然YOLOv4检测速度快,但是在城管道路监控图像数据集上的精度不是很高。为了提高YOLOv4的检测精度,本文将路径聚合网络中的批量归一化替换为群组归一化,并将Mish激活函数应用于YOLOv4的非主干网络之中。为了分离图像的上下文特征,同时增加感受野,本文添加了两个空间池化金字塔模块。此外,本文通过多组实验确定了适合该算法的焦点损失参数,经过改进后的YOLOv4算法性能显著提升。

关键词：深度学习;目标检测;数据集;城管;精度

学科专业：工程硕士（专业学位）

摘要

Abstract

第1章 绪论

1.1 研究背景及意义

1.2 研究现状

1.2.1 传统目标检测

1.2.2 基于深度学习的目标检测

1.3 研究内容

1.4 本文组织结构

第2章 相关理论和技术

2.1 马赛克数据增强

2.2 城管道路监控图像数据集

2.3 目标检测评估指标

2.4 本章小结

第3章 改进的级联RCNN城管道路监控图像目标检测算法

3.1 模型框架

3.1.1 前置特征提取主干网络

3.1.2 区域建议生成网络

3.1.3 级联边界框回归

3.2 模型改进

3.2.1 拆分注意力网络Res Ne St

3.2.2 级联特征金字塔模块

3.2.3 非极大值抑制算法

3.2.4 交并比损失函数

3.3 实验结果与分析

3.3.1 实验环境

3.3.2 不同前置特征提取主干网络实验对比

3.3.3 级联特征金字塔模块实验对比

3.3.4 非极大值抑制算法实验对比

3.3.5 不同交并比损失函数实验对比

3.3.6 不同模型实验对比

3.4 本章小结

第4章 改进的YOLOv4 城管道路监控图像目标检测算法

4.1 模型框架

4.1.1 特征提取主干网络

4.1.2 跨阶段分支网络

4.1.3 特征融合网络

4.2 模型改进

4.2.1 基于群组归一化的路径聚合网络

4.2.2 激活函数

4.2.3 三级空间池化金字塔模块

4.2.4 焦点损失函数

4.3 实验结果与分析

4.3.1 实验环境

4.3.2 群组归一化实验对比

4.3.3 激活函数实验对比

4.3.4 三级空间金字塔池化模块实验对比

4.3.5 不同焦点损失参数实验对比

4.3.6 不同模型实验对比

4.4 本章小结

第5章 总结与展望

5.1 工作总结

5.2 工作展望

参考文献

致谢