论文部分内容阅读
目标检测算法是养殖场智能视频监控的基础。针对基于YUV、RGB、LBSP和纹理等传统特征的目标检测算法的检测结果不稳定的问题,本文通过结合传统监控视频处理技术,研究基于CNN的奶山羊监控视频中目标检测算法。本文选取西北农林科技大学畜牧教学试验基地奶山羊养殖场的监控视频为研究对象,研究背景减除法、图像分割算法和Faster R-CNN算法,构建准确率较高的奶山羊监控视频中目标检测算法,最后通过实验验证算法的准确率。本文的主要研究内容及结论如下:(1)基于参数自适应的背景减除法。奶山羊视频数据的获取及预处理是监控视频处理的首要步骤。为降低视频中存在的噪声并提高视频处理的效率,研究利用图像金字塔对视频数据预处理。奶山羊视频监控场景存在摄像头抖动、光照变化和背景扰动的干扰,导致最优参数难以确定。针对手动调整参数耗时费力的问题,本文提出一种基于参数自适应的背景减除法。实验结果表明,本文提出的方法具有较高的准确率和召回率。(2)基于One-Cut的图像分割算法。本文采用One-Cut图像分割算法对背景减除结果进一步优化,并通过直方图加速技术提高该图像分割算法的效率。奶山羊监控视频具有分辨率高、每秒钟帧数多和数据量大的特点,视频帧分割算法效率的改进至关重要。本文针对One-Cut算法分割效率偏低的问题,结合直方图加速技术,改进能量函数和网络图结构。改进后的网络图复杂度较低,视频帧分割的效率较高。实验结果表明改进的算法具有较高的主观和客观评价指标。(3)基于Faster R-CNN的奶山羊监控视频中目标检测算法。CNN特征的泛化能力已远超传统特征。基于CNN特征的目标检测算法中,Faster R-CNN算法独树一帜。本文简要介绍基于Faster R-CNN的奶山羊监控视频中目标检测算法,并在奶山羊数据集上分析对比基于R-CNN、Fast R-CNN和Faster R-CNN的奶山羊监控视频中目标检测算法。实验结果表明基于Faster R-CNN的奶山羊监控视频中目标检测算法具有较高的平均准确率和效率,且参数的调整对平均准确率一定程度的影响。(4)奶山羊监控视频中目标检测算法的优化。首先根据硬件资源确定CNN的超参数。针对表观特征变化引起的漏检的问题,结合基于参数自适应的背景减除法的分割结果,提出一种时空区域建议算法。为解决传统非极大值抑制算法中存在的假警报问题,提出一种基于多特征的非极大值抑制算法。最后,通过引入VOC数据集,增加数据量。并通过构建最小风险损失函数,提高奶山羊类别的平均准确率。