發(fā)布時(shí)間：2021-06-30 21:30

　　近年來(lái),隨著深度學(xué)習(xí)技術(shù)與高性能計(jì)算機(jī)的飛速發(fā)展,基于機(jī)器視覺(jué)的目標(biāo)檢測(cè)方法已經(jīng)滲透到了各個(gè)領(lǐng)域,行人檢測(cè)技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域中熱門(mén)的研究方向之一,在監(jiān)控安防、汽車自動(dòng)駕駛等方面扮演著重要的角色。尤其在自動(dòng)駕駛方面,道路行人檢測(cè)是自動(dòng)駕駛應(yīng)用場(chǎng)景中最重要的檢測(cè)分析目標(biāo)之一,準(zhǔn)確檢測(cè)到環(huán)境中的行人是完成后續(xù)任務(wù)或者進(jìn)行人機(jī)交互的重要前置條件。與傳統(tǒng)的行人檢測(cè)技術(shù)相比,基于GPU計(jì)算的深度學(xué)習(xí)行人檢測(cè)技術(shù)在檢測(cè)準(zhǔn)確率和檢測(cè)速度上均有較大的優(yōu)勢(shì)。同時(shí),隨著自動(dòng)駕駛領(lǐng)域中基于嵌入式平臺(tái)的計(jì)算機(jī)技術(shù)飛速發(fā)展,在嵌入式終端上部署網(wǎng)絡(luò)模型進(jìn)行實(shí)時(shí)的行人檢測(cè)亦成為了研究熱點(diǎn)與難點(diǎn)。本文研究改進(jìn)了基于一階段法的RetinaNet網(wǎng)絡(luò),由于嵌入式平臺(tái)計(jì)算資源有限,所以更適合對(duì)計(jì)算資源要求較低的一階段法目標(biāo)檢測(cè)網(wǎng)絡(luò)。本文將針對(duì)自動(dòng)駕駛的嵌入式平臺(tái)對(duì)其進(jìn)行改進(jìn)。文章對(duì)RetinaNet網(wǎng)絡(luò)的改進(jìn)主要有兩個(gè)方面,一是對(duì)網(wǎng)絡(luò)進(jìn)行輕量化處理。本文在該部分對(duì)比了不同的輕量化方法,選擇引入MobileNet網(wǎng)絡(luò)對(duì)特征提取網(wǎng)絡(luò)進(jìn)行輕量化處理,使得網(wǎng)絡(luò)模型對(duì)嵌入式平臺(tái)更具有針對(duì)性和適應(yīng)性。二是對(duì)分類子網(wǎng)絡(luò)的損失函數(shù)進(jìn)行優(yōu)化... 

【文章來(lái)源】：中南林業(yè)科技大學(xué)湖南省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１研究路線圖??Ｆｉｇｕｒｅ?１．１?Ｒｅｓｅａｒｃｈ?ｒｏａｄｍａｐ??

檢測(cè)網(wǎng)絡(luò)的理論基礎(chǔ)??本文的研究目標(biāo)是完成對(duì)自動(dòng)駕駛汽車周圍環(huán)境中行人分布的準(zhǔn)確估計(jì)。本章??介紹了常用行人檢測(cè)方法的主要流程，同時(shí)也介紹了卷積神經(jīng)網(wǎng)絡(luò)的主要特征及其具??體的訓(xùn)練過(guò)程�；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法可以分為兩種，即基于區(qū)域提議??方法（兩階段法）和回歸方法（一階段法）。前者具有更高的檢測(cè)精度，而后者能較??好的滿足檢測(cè)的實(shí)時(shí)性要求。??２．１行人檢測(cè)流程??行人檢測(cè)的目標(biāo)是確定圖像中是否存在行人目標(biāo)，并給出每個(gè)目標(biāo)的邊界框。??傳統(tǒng)的基于統(tǒng)計(jì)學(xué)習(xí)的行人檢測(cè)流程如圖２．１所示，主要分為兩個(gè)部分：訓(xùn)練部??分和測(cè)試部分。這種方法主要使用大量的正負(fù)樣本進(jìn)行訓(xùn)練以獲得分類器，并使用??分類器測(cè)試樣本。??／?／??／?／?ｉ＊鏖感？參泰癱參秦？參？秦？？？＊？■■鐮魯癱暴秦鬱■著■費(fèi)讀■？秦？魯？龜泰？秦康????１?正樣本?負(fù)樣本??選定窗Ｕ????????Ｌ——，Ｔ－￣＾????????１?提取特征?提取特征??滑動(dòng)窗丨】?提取特征??－ｙ－??????１?卜土習(xí)１???形》歷結(jié)束？??Ｉ?Ｉ??圖２．１傳統(tǒng)行人檢測(cè)流程??Ｆｉｇｕｒｅ?２．１?Ｔｒａｄｉｔｉｏｎａｌ?ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ??在傳統(tǒng)行人檢測(cè)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中，有以下幾個(gè)流程：??（１）訓(xùn)練數(shù)據(jù)的讀入。該過(guò)程對(duì)訓(xùn)練數(shù)據(jù)集有一定的要求，第一是該數(shù)據(jù)集必??須包含正負(fù)兩種樣本，第二是正樣本必須有對(duì)應(yīng)的標(biāo)簽文件；??（２）數(shù)據(jù)預(yù)處理。這個(gè)過(guò)程將對(duì)圖像的尺寸進(jìn)行調(diào)整，使其保持一致；??（３）設(shè)計(jì)特征圖。通過(guò)輸入的正負(fù)樣本人工進(jìn)行特征設(shè)計(jì)；??

，得出感興趣區(qū)域；??（３）提取圖像區(qū)域特征，即對(duì)感興趣區(qū)域進(jìn)行特征提�。�??（４）得出檢測(cè)結(jié)果，將網(wǎng)絡(luò)提取的特征輸入到子網(wǎng)絡(luò)中進(jìn)行計(jì)算，得出目標(biāo)的??類別與位置。??傳統(tǒng)的行人檢測(cè)方法是建立在統(tǒng)計(jì)學(xué)習(xí)的基礎(chǔ)之上，所以人工特征的設(shè)計(jì)對(duì)網(wǎng)絡(luò)??性能起著決定性影響。相比之下，深度神經(jīng)網(wǎng)絡(luò)方法以大量數(shù)據(jù)為前提，實(shí)現(xiàn)了端到??端的訓(xùn)練方式，將網(wǎng)絡(luò)中需要的特征選擇與提取，目標(biāo)的分類與定位等任務(wù)進(jìn)行整合??［４６］。大大降低了網(wǎng)絡(luò)訓(xùn)練流程的復(fù)雜度。在行人檢測(cè)方向，基于深度學(xué)習(xí)法的流程如??圖２．２所示。???????????■？？？？？？？？？？？？？■？■＞??ｙ／輸入圖像丨?正樣本?負(fù)樣本?｜??，?＼?■?丨■?ｔ?■」?！??Ｍ?＊類器學(xué)習(xí)?！???１??輸出結(jié)果??圖２．２基于深度學(xué)習(xí)的行人檢測(cè)流程??Ｆｉｇｕｒｅ?２．２?Ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??深度神經(jīng)網(wǎng)絡(luò)大致可劃分為６層：??（１）數(shù)據(jù)輸入層，將數(shù)據(jù)經(jīng)過(guò)一定的預(yù)處理后讀入到網(wǎng)絡(luò)中；??（２）特征提取層，將數(shù)據(jù)進(jìn)行不同維度的卷積計(jì)算以得出適應(yīng)不同尺寸目標(biāo)的??特征圖；??（３）子采樣層，對(duì)特征圖進(jìn)行選擇提�。�??（４）卷積層，將特征圖與局部檢測(cè)圖對(duì)應(yīng)；??（５）隱藏層，將上述過(guò)程得到的檢測(cè)圖進(jìn)行概率計(jì)算；??（６）是輸出層，輸出最終的目標(biāo)種類和位置。??８??

【參考文獻(xiàn)】：
期刊論文
[1]面向目標(biāo)檢測(cè)的SSD網(wǎng)絡(luò)輕量化設(shè)計(jì)研究[J]. 馮燁,張索非,吳曉富.  信號(hào)處理. 2020(05)
[2]基于深度堆疊卷積神經(jīng)網(wǎng)絡(luò)的圖像融合[J]. 藺素珍,韓澤.  計(jì)算機(jī)學(xué)報(bào). 2017(11)
[3]深度學(xué)習(xí)在無(wú)人駕駛汽車領(lǐng)域應(yīng)用的研究進(jìn)展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報(bào). 2018(01)
[4]目標(biāo)跟蹤技術(shù)綜述[J]. 高文,朱明,賀柏根,吳笑天.  中國(guó)光學(xué). 2014(03)
[5]目標(biāo)跟蹤研究綜述[J]. 呂澤華,梁虎,唐赫,王光偉.  計(jì)算機(jī)工程與科學(xué). 2012(10)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 劉雙.云南財(cái)經(jīng)大學(xué) 2020
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類與目標(biāo)檢測(cè)[D]. 周韜.廣西師范大學(xué) 2019
[3]基于改進(jìn)LeNet-5的人臉表情識(shí)別及其嵌入式實(shí)現(xiàn)[D]. 單雷.蘇州大學(xué) 2019
[4]基于深度學(xué)習(xí)的實(shí)時(shí)目標(biāo)檢測(cè)算法研究與實(shí)現(xiàn)[D]. 張焱磊.東南大學(xué) 2019
[5]基于深度學(xué)習(xí)的嵌入式行人檢測(cè)系統(tǒng)的研究與應(yīng)用[D]. 邱強(qiáng).電子科技大學(xué) 2019
[6]基于深度神經(jīng)網(wǎng)絡(luò)的多尺度目標(biāo)檢測(cè)算法研究[D]. 方璐.合肥工業(yè)大學(xué) 2019
[7]基于目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)壓縮與優(yōu)化算法研究[D]. 彭康堅(jiān).杭州電子科技大學(xué) 2019
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的物體檢測(cè)研究[D]. 施建源.深圳大學(xué) 2018



本文編號(hào)：3258534