本文是一篇软件工程论文，本文设计了基于ShuffleNet结构改进YOLO的目标检测算法网络：基于ShuffleNet改进YOLO的目标检算法，此算法构建一个参考特征提取网络的结构ShuffleNet，它提高准确性，同时确保速度。在结构中加入SENet的思想来调整程度要注意通道的重要性不同渠道的特点。
第一章 绪论
1.1 研究背景和意义
新一代信息时代的到来，带来了大数据应用的大爆发，计算机计算能力开始快速迭代，同时新的机器学习算法开始出现，同时也导致了人工智能的大爆发。人工智能的快速发展，给整个社会注入了活力，人工智能在许多行业里开始得到广泛应用。在有关视觉的领域中，人脸识别早已开始普及，这些人脸识别系统应用在火车站、工厂大门、校园大门等地方，给整个社会带来了极大的方便。最近新冠疫情肆虐，给我们的社会带来了深重的灾难，人脸识别系统为控制疫情也带来了极大的帮助，检测人员是否佩戴口罩，为预防新冠病毒传播具有很好的帮助。人工智能也使得自然语言理解、博弈与伦理、机器人学等得到了快速发展。
整个社会呈现多元化发展，不仅是科技上，文化上也是。科技上技术的快速迭代，使得许多科幻电影或者小说里的事物慢慢的变成了现实。硬件产品的快速发展，物联网设备以及电子通信设备的不断更新，使得我们整个社会已经和电子设备密切联系到了一起。计算机软件上，新的算法相继出现，尤其是深度学习的出现，使得软硬件得到了极好的融合。这种融合使得人工智能在各个领域开始了更好的应用，这些让我们的生活变得更加方便快捷舒适。同时，计算机诸多硬件技术的发展，同时还有GPU的不断发展，使得计算机视觉技术得到了更好的发展。同时，目标检测、目标识别随着社会的发展变得极其重要。目标检测主要是为了辨别出物体的位置，以及物体的类别种类，得出相对应的输出结果。目标检测[1]这一项关于识别和检测的技术，是在模仿我们人类的视觉观察，经过学习训练，最后变成可以用来识别物体位置，物体类别的一项重要的技术。
....................
1.2国内外发展及现状
神经网络[2-4]技术研究越来越全面，同时还有各类神经网络的比赛共同推进了神经网络的发展。各种神经网络的论文被发表，各类神经网络的成果被应用于实际生产，神经网络收到的关注也越来越多，发展也越来越快。多层计算模型在深度学习中被用来抽象一些数据表示，这样大数据的复杂结构可以被有效的发现，到目前为止，神经网络技术已成功地应用在诸多领域，比如神经网络在计算机视觉上的应用，计算机视觉[5-6]领域在其应用上更加贴近我们的生活，在智能安防、视频检测、人脸识别等等领域发挥着重要作用。不过有时候视频中的目标很富在，目标运动不规则，姿态不一，以及其他物体的遮挡，这些影响因素会给目标检测算法带来挑战。除此之外自然因素，比如天气也会影响到目标检测算法输出的结果。虽然目标检测已经取得了很好的成绩，但目标检测[7-8]的鲁邦性与性能仍然面临着巨大的挑战性。目标检测的研究内容和方向，仍然存在着很大的提升空间。
在过去一些年中，自然图像以及视频中的目标检测算法都是传统的特征检测方式，不过在此后的一些年，卷积神经网络开始在目标检测的任务中发挥作用，卷积神经网络取代了以前的基于综合库的特征提取方法，这使得目标检测突然间得到了很快的发展。最近，又出现了基于多层特征图获取特征的方法，使得小目标的检测效果得到了明显的改善。基于目标检测出现的各种应用，给整个社会带来了丰富的元素和快捷的方式，自动驾驶就是其中一个很具有代表性的应用，使得人类出行方便又往前推了一大步，在驾驶领域解放了双手与脚，这是很具有实用性的意义，众多应用一定会让我们的未来社会更加美好。
...................................
第二章 相关理论及技术
2.1神经网络概述
人工神经网络（Artificial Neural Network，即ANN ）[11-13]，近些年来快速推动了人工智能的发展。对数据信息的处理上，采用了与人脑神经元相似的网络，建立起一个适用的网络模型。这种网络模型更加灵活，由不同的连接方式可以组成不同的网络。在学术上它还有其他的称呼，类神经网络或者神经网络。
早些年，人工神经网络在许多领域开始了应用，并且取得了很好的成果。人工神经网络的快速发展和高效应用，让世人看到了人工神经网络的智能性和适用性。其中生物神经元的结构如下图2.1所示：
软件工程论文怎么写
生物神经元的信息传递和处理信号，可以解决很多问题。这个过程可以看成一个动态的输入输出问题。神经元在生物活动中具有很重要的作用，其中包括人类兴奋、抑制兴奋、学习以及电位信号的传递。我们人类进行思考，是通过我们身体内无数个神经细胞独立运行，然后与其他无数个细胞相连接，然后实现信号的发送接受以及传递。这是一个很复杂的活动，因为我们人类神经细胞和普通细胞有很多很多，一千多亿的细胞相互协作通过复杂电信号来传递，才能完成人类思考。
..............................
2.2行人检测跟踪技术
在目标检测技术中，不可避免要用到目标检测技术与目标跟踪技术。我们的检测器可以检测多个图像，但它是一个检测器，而不是一个跟踪器。为了更好的理解目标检测相关算法，在这里，我们先简要回顾一下跟踪方法，并讨论检测和跟踪的区别，以及在哪里会有大的用处。视觉运动目标跟踪由于目标本身在不断变化，以及其他情况的影响，让它的研究具有很大的复杂性。目标跟踪技术可能会面临遮（Occlusion）、形变（Deformation）、背景杂斑（Background Clutter）、尺度变换（Scale Variation）的问题 。这些说明了视觉运动目标跟踪技术的研究并不是那么简单。
跟踪是一个被广泛研究和应用的课题。跟踪算法主要集中在监控应用领域上。跟踪可以定义为获取图像平面中物体在不同方向运动时的轨迹估计问题。在视频的画面领域里，是基于短序列(称为“小轨迹”)的检测可以融合成长序列的痕迹。当图像序列可用时，附加信息可用于改进的性能。一种方法是将单帧检测器应用于每幅图像，并对其进行融合的结果进行跟踪。将检测与轨道相关联这一直以来都是一个困难的问题。到目前为止，它有进行了广泛的研究，并发展了一些统计技术。
...........................
第三章 基于ShuffleNet结构改进YOLO的目标检测算法 ................................ 21
3.1概述 ............................................ 21
3.2YOLO系列算法 ................................... 22
3.3改进网络结构 ........................... 25
第四章 YOLO网络结合OpenPose网络优化危险行为检测 ...................... 34
4.1问题描述........................... 34
4.2Openpose简述 ............................... 35
4.3结合YoL o网络优化OpenPose危险行为检测 ...................... 36
第五章 总结与展望............................. 45
5.1工作总结........................................ 45
5.2工作展望................................ 46
第四章 YOLO网络结合OpenPose网络优化危险行为检测
4.1问题描述
人工智能技术作为当今社会的一个热点，在固定场景人体姿态估计和识别的研究中发挥着重要的作用。目前，人体姿态估计检测[49-50]被广泛应用于诸多领域。但同时在姿态估计中也存在一些问题，如待检测图像中人数未知、人体与人体接触、遮挡、远程关节点检测困难等。目前，人体姿态检测主要有两种方法。一种是自上而下的方法，先对所有的人体进行检测，然后再对人体的关键点进行检测。缺点是人数的不断增加使得检测时间不断加长，这是极其不利的。在自底向上的方法中，首先检测所有人的关节，然后将其匹配到人体骨架中。缺点是不能使用全局上下文的信息。OpenPose是目前最流行的人体姿态检测算法之一。虽然采用的是自底向上的人体姿态检测方法，但仍存在一些不足，如图4.1所示：
软件工程论文参考
严重的遮挡问题，对于人体密集的相机无法得到人体的关键点。第二，人类目标很小，甚至包含很少的像素。第三，提取关键点后，动作分类错误。从远距离的视角获取的数据，会造成一种较小的目标，这类目标相对尺寸较小，对于我们的检测是极其不利的。还有近距离的真实小尺寸目标，也会给人体姿态估计检测带来挑战。在本文中，我们提出了一种新颖的人体姿势检测系统设计方法。
..............................
第五章 总结与展望
5.1工作总结
人群中危险动作综合分析研究是为了公共安全而设计的目标检测应用方向，人群中危险动作主要涉及到人群中行人检测，包含有人员手持危险物以及人员危险动作。人体姿态估计检测不仅仅是计算机视觉领域重要的研究，也是人体动作行为分析研究的组成部分。人体姿态估计检测已经走进我们的生活，在生活中很多场景都能看到它的身影。我国作为世界上为数不多的人口大国，时刻伴随着人口的高流动性，以及多人聚集的高密集人群。这种场景多出现在火车站、景区、大型公园等地方。由于社会的不稳定因素加上聚集的人群，使得人群中的安全问题变得越来越重要。本文的研究中，首先在视频中检测到人体目标实现目标定位，然后分析检测目标，最后输出相应的结果，然后根据识别结果做出相应的处理。人群的运动具有复杂的运动特性，同时人群运动也会受到其他环境的影响，比如自然天气等。因此要捕获人员特征获取位置等信息具有一定的困难，对我们对人群的处理具有很重要的意义。本文研究内容包含人群中人员手持小目标物品，也涉及到人群中人员的姿态。因此我们对运动视频里的数据信息需要合理提取与分析。最后使实验结果适用于不同的场景，让特征提取在人群运动中具有更高的普适性。本文采用了基于ShuffleNet结构对YOLO网络进行改进，解决了行人手中小物品检测易遮挡和丢失的问题，然后通过YOLO网络和OPENPOSE网络的结合，解决了因遮挡以及远距离造成人体姿势识别不准确的问题。 本文主要工作总结如下：
(1) 设计了基于ShuffleNet结构改进YOLO的目标检测算法网络：基于ShuffleNet改进YOLO的目标检算法，此算法构建一个参考特征提取网络的结构ShuffleNet，它提高准确性，同时确保速度。在结构中加入SENet的思想来调整程度要注意通道的重要性不同渠道的特点。保证了特征值提取准确性，这种目标检测在小尺寸目标上的检测率提高了很多，同时也提高了速度。通过实验证实了这种方法具有很高的可行性。并且增加了此类目标检测算法在我们国内的适用性，可以够好的适用于中国人群多而密集的特点。
(2) YOLO结合OpenPose网络优化危险行为检测：YOLO网络结合OpenPose网络优化危险行为检测算法，提取人体行为动作，通过关键点来获取，然而人体关键点的定位存在以下问题，人体动作的复杂性导致多种关节位置，难以看见的小关节，模糊或被遮盖的关节。目前，主流算法主要根据上下文判断关键点的位置。本文通过结合OpenPose网络和Yolo网络来检测模糊和远程微小关键点的人体姿势。针对模糊或者遮挡以及远程微小的人群姿势，专门在数据集里增加了这些数据，使得训练结果更加准确。实验结果也证明本方法的有效性。
参考文献（略）