【摘要】：計(jì)算機(jī)視覺(jué)技術(shù)現(xiàn)如今已經(jīng)廣泛應(yīng)用于各行各業(yè),如視覺(jué)測(cè)量、事件監(jiān)測(cè)、目標(biāo)檢測(cè)、場(chǎng)景重建等等。其中目標(biāo)檢測(cè)技術(shù)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向之一,它在軍事偵察、智慧城市、智能交通、視頻監(jiān)控等領(lǐng)域有著重要的應(yīng)用前景。常用的目標(biāo)檢測(cè)算法有光流法、幀差法、背景差分法、匹配法等。隨著近些年來(lái)硬件性能的不斷提升以及新的算法的提出,基于深度神經(jīng)網(wǎng)絡(luò)的方法通過(guò)自主學(xué)習(xí)目標(biāo)特征,在目標(biāo)檢測(cè)領(lǐng)域中表現(xiàn)出了強(qiáng)大的魯棒性,甚至一些目標(biāo)檢測(cè)算法可以在服務(wù)器上實(shí)時(shí)的進(jìn)行靜態(tài)或者動(dòng)態(tài)目標(biāo)檢測(cè)。本文嘗試在嵌入式平臺(tái)NVIDIA Jetson TX1上開(kāi)發(fā)一套多功能的硬件系統(tǒng),用于無(wú)人機(jī)上的實(shí)時(shí)車輛目標(biāo)檢測(cè),并且可以通過(guò)慣性測(cè)量傳感器以及GPS傳感器,獲取當(dāng)前無(wú)人機(jī)飛行姿態(tài)以及地理位置坐標(biāo)。全文的主要內(nèi)容包括:第一章闡述了本文研究的背景以及意義,分析了動(dòng)態(tài)目標(biāo)檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀,給出了本文的主要研究?jī)?nèi)容。第二章分析了移動(dòng)端動(dòng)態(tài)目標(biāo)檢測(cè)系統(tǒng)的需求,給出了系統(tǒng)的總體軟硬件方案,完成傳感器、嵌入式平臺(tái)等硬件的選型。第三章對(duì)比分析了光流法、幀差法、背景差分法、匹配法、深度卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)等算法,選擇深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法用于多種情況下的動(dòng)態(tài)場(chǎng)景目標(biāo)檢測(cè)。第四章,主要基于深度卷積神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)目標(biāo)檢測(cè)方法進(jìn)行了訓(xùn)練,并改進(jìn)模型,在嵌入式上移植部署。首先制作車輛數(shù)據(jù)集VOCcar,進(jìn)行訓(xùn)練;接著對(duì)目標(biāo)檢測(cè)模型tiny-yolo進(jìn)行改進(jìn);最后將深度學(xué)習(xí)模型遷移部署在NVIDIA Jetson TX1上,實(shí)現(xiàn)了移動(dòng)端的動(dòng)態(tài)車輛目標(biāo)檢測(cè),其中檢測(cè)幀率穩(wěn)定在20幀左右。第五章實(shí)現(xiàn)硬件系統(tǒng)與目標(biāo)檢測(cè)算法的集成,開(kāi)發(fā)了原型系統(tǒng)。利用Arduino對(duì)無(wú)人機(jī)的姿態(tài)信息數(shù)據(jù)以及地理坐標(biāo)數(shù)據(jù)進(jìn)行采集,并采用卡爾曼濾波算法對(duì)數(shù)據(jù)進(jìn)行濾波解算,獲取無(wú)人機(jī)更為準(zhǔn)確的姿態(tài)信息。第六章總結(jié)與展望,總結(jié)了論文的主要工作和成果,并展望了未來(lái)嵌入式人工智能硬件系統(tǒng)的研究以及發(fā)展。
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：V279
【圖文】：

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，許多深度學(xué)習(xí)開(kāi)發(fā)框架得到了眾多研究者的逡逑認(rèn)可，典型的代表有邋Ｔ0ｒｃｈ［２＂、Ｔｈｅａｎｏ［２２］、Ｃａｆｆｅ［２３］、Ｐｙｌｅａｍ２［２４］、ＴｅｎｓｏｒＦ丨ｏｗ［２５］、逡逑０龜也［２６］等。這些框架極大方便了研究者的學(xué)習(xí)與開(kāi)發(fā)，部分框架如圖１．２所示。逡逑Ｃａｆｆｅ邋Ｐｙｌｅａｒｎ２逡逑ＰＹＴ６ＲＣＨ逡逑ＩＴ邋Ｔｅｎｓｏｒ邋Ｈｏ逡逑圖１．２深度學(xué)習(xí)開(kāi)發(fā)框架逡逑伴隨著深度學(xué)習(xí)的浪潮，國(guó)內(nèi)外各大公司都早已開(kāi)始進(jìn)行相關(guān)研究。早在逡逑２０１２年，Ｇｏｏｇｌｅ就開(kāi)展了一個(gè)利用深度學(xué)習(xí)技術(shù)來(lái)識(shí)別視頻中貓臉的項(xiàng)目，利逡逑用１６０００個(gè)ＣＰＵ服務(wù)器在１０００萬(wàn)個(gè)ＹｏｕＴｕｂｅ視頻上進(jìn)行訓(xùn)練，最終使得程序逡逑可以自己識(shí)別貓臉。２０１４年，Ｇｏｏｇｌｅ在ＩＬＳＶＲＣ競(jìng)賽中利用ＧｏｏｇｌｅＮｅｔ將分類逡逑的錯(cuò)誤率降低至６．６６％。谷歌早期使用的是深度學(xué)習(xí)平臺(tái)是基于大規(guī)模ＣＰＵ集逡逑群的ＤｉｓｔＢｅｌｉｅｆ，現(xiàn)在已經(jīng)發(fā)展為超過(guò)８０００個(gè)ＧＰＵ組成的Ｔｅｓｏｒｆｌｏｗ上。谷歌的逡逑深度學(xué)習(xí)研究領(lǐng)域主要包括：語(yǔ)音識(shí)別、圖像識(shí)別、圖像搜索、自然語(yǔ)言理解、逡逑谷歌翻譯等。著名的社交網(wǎng)站公司Ｆａｃｅｂｏｏｋ，于２０１６年公開(kāi)了其深度學(xué)習(xí)平臺(tái)逡逑Ｔｏｒｃｈｎｅｔ以及自然語(yǔ)言理解引擎ＤｅｅｐＴｅｘｔ。Ｔｏｒｃｈｎｅｔ是建立在Ｔｏｒｃｈ上的外層框逡逑架，它提供模塊化設(shè)計(jì)，提高代碼的重用性，使得深度學(xué)習(xí)的實(shí)驗(yàn)和應(yīng)用變得更逡逑加簡(jiǎn)單、快速、高效。Ｔｏｒｃｈｎｅｔ可以用于圖像識(shí)別、自然語(yǔ)言處理等。此外

無(wú)人機(jī)的飛行姿態(tài)，以便掌握無(wú)人機(jī)當(dāng)前飛行狀況；搭載地理坐標(biāo)定位傳感器，逡逑可以將發(fā)現(xiàn)車輛目標(biāo)的地理位置進(jìn)行保存，形成數(shù)據(jù)報(bào)表，以供后期數(shù)據(jù)分析。逡逑總體方案架構(gòu)如圖２．１所示。逡逑邐．邋？邐邐總~#統(tǒng)■姞邐逡逑＃機(jī)．云臺(tái)ｉｓ性傳感器逡逑邐ｉｚ邐＼７逡逑ｉ邐嵌入式移動(dòng)端平臺(tái)逡逑ｉ邐邐邐邐邐邐：邐逡逑ｊ邐＾邐ＵＳＢ、ＩＩＣ、ＵＡＲＴ通信協(xié)議邐｜逡逑目標(biāo)檢測(cè)逡逑；邐軟ｆ邋數(shù)據(jù)曰志邋Ｑ邋｜逡逑地理坐標(biāo)提取逡逑圖２．１系統(tǒng)整體框架逡逑根據(jù)系統(tǒng)的功能需求將其分為硬件系統(tǒng)部分與軟件系統(tǒng)部分，兩者通過(guò)通訊逡逑協(xié)議相互聯(lián)系，組成冤整的系統(tǒng)。逡逑８逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 路成強(qiáng);曾潔;李千振;;基于卡爾曼濾波的兩輪自平衡遙控小車設(shè)計(jì)[J];自動(dòng)化儀表;2017年09期

2 張慧;王坤峰;王飛躍;;深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J];自動(dòng)化學(xué)報(bào);2017年08期

3 周俊宇;趙艷明;;卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J];計(jì)算機(jī)工程與應(yīng)用;2017年13期

4 蔡漢明;趙振興;韓露;曾祥永;;基于SSD網(wǎng)絡(luò)模型的多目標(biāo)檢測(cè)算法[J];機(jī)電工程;2017年06期

5 任洪梅;;基于深度學(xué)習(xí)的路面交通標(biāo)志識(shí)別[J];信息通信;2017年04期

6 宋煥生;張向清;鄭寶峰;嚴(yán)騰;;基于深度學(xué)習(xí)方法的復(fù)雜場(chǎng)景下車輛目標(biāo)檢測(cè)[J];計(jì)算機(jī)應(yīng)用研究;2018年04期

7 李旭冬;葉茂;李濤;;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2017年10期

8 黃斌;盧金金;王建華;吳星明;陳偉海;;基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法[J];計(jì)算機(jī)應(yīng)用;2016年12期

9 王宇寧;龐智恒;袁德明;;基于YOLO算法的車輛實(shí)時(shí)檢測(cè)[J];武漢理工大學(xué)學(xué)報(bào);2016年10期

10 牛新;竇勇;張鵬;曹玉社;;基于深度學(xué)習(xí)的光學(xué)遙感機(jī)場(chǎng)與飛行器目標(biāo)識(shí)別技術(shù)[J];大數(shù)據(jù);2016年05期

相關(guān)博士學(xué)位論文 前3條

1 鄭偉;基于視覺(jué)的微小型四旋翼飛行機(jī)器人位姿估計(jì)與導(dǎo)航研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

2 史思琦;基于輪廓特征的目標(biāo)識(shí)別研究[D];西安電子科技大學(xué);2012年

3 曾鵬鑫;動(dòng)態(tài)場(chǎng)景下多運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤方法研究[D];東北大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 劉金羊;基于上下文的目標(biāo)檢測(cè)算法研究[D];南京大學(xué);2017年

2 于洋;基于Arduino的自動(dòng)避障及通信控制智能小車系統(tǒng)的研究與設(shè)計(jì)[D];吉林大學(xué);2017年

3 王震;基于深度學(xué)習(xí)的快速目標(biāo)檢測(cè)技術(shù)研究[D];天津理工大學(xué);2017年

4 于學(xué)鑫;基于MPU6050的微小型無(wú)人機(jī)AHRS設(shè)計(jì)研究[D];內(nèi)蒙古工業(yè)大學(xué);2016年

5 劉念;基于視覺(jué)機(jī)器人的目標(biāo)定位技術(shù)研究[D];華南農(nóng)業(yè)大學(xué);2016年

6 李萍;運(yùn)動(dòng)車輛目標(biāo)識(shí)別及跟蹤技術(shù)研究[D];中北大學(xué);2016年

7 王立;基于北斗/GPS導(dǎo)航的視覺(jué)著陸四旋翼飛行器設(shè)計(jì)[D];武漢科技大學(xué);2016年

8 楊楠;基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D];河北師范大學(xué);2016年

9 萬(wàn)維;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究及應(yīng)用[D];電子科技大學(xué);2015年

10 楊楠;基于Arduino的智能產(chǎn)品原型設(shè)計(jì)研究[D];江南大學(xué);2014年

本文編號(hào)：2741512