足球場邊線外視頻轉(zhuǎn)播用自主跟蹤機的研究與設(shè)計
發(fā)布時間:2021-10-15 21:22
隨著機器人技術(shù)的快速發(fā)展以及機器學(xué)習(xí)等技術(shù)的逐漸成熟,移動跟蹤機器人廣泛應(yīng)用于各個領(lǐng)域,在越來越多的崗位上代替人類完成了復(fù)雜工作,實現(xiàn)了生產(chǎn)生活的智能化。本文針對足球比賽中邊線區(qū)域的賽事拍攝和轉(zhuǎn)播問題,基于目標檢測等技術(shù)研究設(shè)計了一種自主跟蹤機,旨在代替邊線游動攝像團隊實現(xiàn)賽事拍攝和轉(zhuǎn)播的自動化,在增強安全性的同時減輕人員工作強度,增強拍攝靈活性,減少資源的投入。自主跟蹤機的設(shè)計形式是雙輪自平衡機器人,主要包括移動平臺、視覺平臺和檢測控制平臺三個部分。系統(tǒng)以基于深度學(xué)習(xí)的目標檢測算法為核心技術(shù),通過在邊線區(qū)域?qū)ψ闱蚧蜻\動員進行跟蹤拍攝實現(xiàn)賽事錄制和轉(zhuǎn)播。本文對Mobile Net網(wǎng)絡(luò)和SSD目標檢測算法進行了研究,融合Mobile Net V3設(shè)計了MV3-SSD目標檢測算法,輕量化的網(wǎng)絡(luò)便于在嵌入式設(shè)備上進行搭建和應(yīng)用,為自主跟蹤機實現(xiàn)預(yù)期目標提供了有力保障。同時,本文分析了MV3-SSD目標檢測算法應(yīng)用的局限性,以自主跟蹤機的應(yīng)用環(huán)境為切入點,應(yīng)用K-Means聚類算法對跟蹤目標寬高比的數(shù)據(jù)分布進行了分析,通過優(yōu)化MV3-SSD算法中特征層先驗框的寬高比和數(shù)量并引入新的損失函數(shù),提...
【文章來源】:哈爾濱理工大學(xué)黑龍江省
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 引言
1.2 課題研究背景及意義
1.3 國內(nèi)外相關(guān)技術(shù)發(fā)展現(xiàn)狀
1.3.1 移動跟蹤機器人
1.3.2 目標識別與檢測技術(shù)
1.4 論文主要研究內(nèi)容
第2章 自主跟蹤機系統(tǒng)設(shè)計方案
2.1 系統(tǒng)整體設(shè)計方案
2.2 自主跟蹤機硬件設(shè)計方案
2.2.1 移動平臺
2.2.2 視覺平臺
2.2.3 檢測控制平臺
2.2.4 電源及穩(wěn)壓電路
2.3 系統(tǒng)軟件平臺
2.3.1 Tensor Flow深度學(xué)習(xí)平臺
2.3.2 Open CV計算機視覺庫
2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的目標檢測算法研究
3.1 卷積神經(jīng)網(wǎng)絡(luò)
3.1.1 卷積層與激活函數(shù)
3.1.2 池化層和全連接層
3.1.3 損失函數(shù)
3.1.4 反向傳播
3.2 MV3-SSD目標檢測算法的研究
3.2.1 Mobile Net網(wǎng)絡(luò)
3.2.2 SSD目標檢測算法
3.2.3 融合Mobile Net V3和SSD的目標檢測算法
3.3 本章小結(jié)
第4章 目標檢測算法優(yōu)化與跟蹤策略研究
4.1 針對特定目標檢測的MV3-SSD算法優(yōu)化
4.1.1 MV3-SSD算法優(yōu)化思路
4.1.2 Specific MV3-SSD目標檢測算法的研究與設(shè)計
4.2 自主跟蹤機跟蹤策略的研究
4.2.1 自主跟蹤機運動學(xué)模型建立
4.2.2 位置與移動范圍的確定
4.2.3 目標跟蹤策略
4.3 本章小結(jié)
第5章 實驗平臺搭建及測試分析
5.1 自主跟蹤機實驗平臺搭建
5.1.1 自主跟蹤機原型機搭建
5.1.2 原型機系統(tǒng)流程設(shè)計
5.1.3 目標檢測算法測試平臺
5.2 自主跟蹤機原型機系統(tǒng)測試
5.2.1 系統(tǒng)運行測試
5.2.2 基于陀螺儀和編碼器測量的實時定位測試
5.3 基于深度學(xué)習(xí)的目標檢測算法測試與分析
5.3.1 MV3-SSD目標檢測算法性能測試
5.3.2 Specific MV3-SSD算法目標檢測效果測試
5.4 誤差分析
5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)成果
致謝
【參考文獻】:
期刊論文
[1]智能機器人的認知與學(xué)習(xí)[J]. 孫富春. 機器人. 2019(05)
[2]基于TensorFlow框架足球場上目標模型的研究與實踐[J]. 陳思,王純. 電子測試. 2019(15)
[3]基于深度學(xué)習(xí)的實時圖像目標檢測系統(tǒng)設(shè)計[J]. 李林,張盛兵,吳鵑. 計算機測量與控制. 2019(07)
[4]基于深度學(xué)習(xí)的行人和騎行者目標檢測及跟蹤算法研究[J]. 胡超超,劉軍,張凱,高雪婷. 汽車技術(shù). 2019(07)
[5]TensorFlow讀取數(shù)據(jù)在簡單圖像識別中的應(yīng)用[J]. 來學(xué)偉. 現(xiàn)代信息科技. 2019(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜場景目標檢測算法[J]. 王曉寧,宮法明,時念云,呂軒軒. 計算機系統(tǒng)應(yīng)用. 2019(06)
[7]基于深度學(xué)習(xí)的視頻目標跟蹤檢測算法研究綜述[J]. 李琴,王靖. 電腦知識與技術(shù). 2019(16)
[8]TensorFlow架構(gòu)與實現(xiàn)機制的研究[J]. 費寧,張浩然. 計算機技術(shù)與發(fā)展. 2019(09)
[9]智能機器人研究現(xiàn)狀及發(fā)展趨勢的思考與建議[J]. 陶永,王田苗,劉輝,江山. 高技術(shù)通訊. 2019(02)
[10]分析人工智能在智慧城市中的應(yīng)用[J]. 馬遠智. 中國新通信. 2019(01)
本文編號:3438644
【文章來源】:哈爾濱理工大學(xué)黑龍江省
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 引言
1.2 課題研究背景及意義
1.3 國內(nèi)外相關(guān)技術(shù)發(fā)展現(xiàn)狀
1.3.1 移動跟蹤機器人
1.3.2 目標識別與檢測技術(shù)
1.4 論文主要研究內(nèi)容
第2章 自主跟蹤機系統(tǒng)設(shè)計方案
2.1 系統(tǒng)整體設(shè)計方案
2.2 自主跟蹤機硬件設(shè)計方案
2.2.1 移動平臺
2.2.2 視覺平臺
2.2.3 檢測控制平臺
2.2.4 電源及穩(wěn)壓電路
2.3 系統(tǒng)軟件平臺
2.3.1 Tensor Flow深度學(xué)習(xí)平臺
2.3.2 Open CV計算機視覺庫
2.4 本章小結(jié)
第3章 基于深度學(xué)習(xí)的目標檢測算法研究
3.1 卷積神經(jīng)網(wǎng)絡(luò)
3.1.1 卷積層與激活函數(shù)
3.1.2 池化層和全連接層
3.1.3 損失函數(shù)
3.1.4 反向傳播
3.2 MV3-SSD目標檢測算法的研究
3.2.1 Mobile Net網(wǎng)絡(luò)
3.2.2 SSD目標檢測算法
3.2.3 融合Mobile Net V3和SSD的目標檢測算法
3.3 本章小結(jié)
第4章 目標檢測算法優(yōu)化與跟蹤策略研究
4.1 針對特定目標檢測的MV3-SSD算法優(yōu)化
4.1.1 MV3-SSD算法優(yōu)化思路
4.1.2 Specific MV3-SSD目標檢測算法的研究與設(shè)計
4.2 自主跟蹤機跟蹤策略的研究
4.2.1 自主跟蹤機運動學(xué)模型建立
4.2.2 位置與移動范圍的確定
4.2.3 目標跟蹤策略
4.3 本章小結(jié)
第5章 實驗平臺搭建及測試分析
5.1 自主跟蹤機實驗平臺搭建
5.1.1 自主跟蹤機原型機搭建
5.1.2 原型機系統(tǒng)流程設(shè)計
5.1.3 目標檢測算法測試平臺
5.2 自主跟蹤機原型機系統(tǒng)測試
5.2.1 系統(tǒng)運行測試
5.2.2 基于陀螺儀和編碼器測量的實時定位測試
5.3 基于深度學(xué)習(xí)的目標檢測算法測試與分析
5.3.1 MV3-SSD目標檢測算法性能測試
5.3.2 Specific MV3-SSD算法目標檢測效果測試
5.4 誤差分析
5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)成果
致謝
【參考文獻】:
期刊論文
[1]智能機器人的認知與學(xué)習(xí)[J]. 孫富春. 機器人. 2019(05)
[2]基于TensorFlow框架足球場上目標模型的研究與實踐[J]. 陳思,王純. 電子測試. 2019(15)
[3]基于深度學(xué)習(xí)的實時圖像目標檢測系統(tǒng)設(shè)計[J]. 李林,張盛兵,吳鵑. 計算機測量與控制. 2019(07)
[4]基于深度學(xué)習(xí)的行人和騎行者目標檢測及跟蹤算法研究[J]. 胡超超,劉軍,張凱,高雪婷. 汽車技術(shù). 2019(07)
[5]TensorFlow讀取數(shù)據(jù)在簡單圖像識別中的應(yīng)用[J]. 來學(xué)偉. 現(xiàn)代信息科技. 2019(12)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜場景目標檢測算法[J]. 王曉寧,宮法明,時念云,呂軒軒. 計算機系統(tǒng)應(yīng)用. 2019(06)
[7]基于深度學(xué)習(xí)的視頻目標跟蹤檢測算法研究綜述[J]. 李琴,王靖. 電腦知識與技術(shù). 2019(16)
[8]TensorFlow架構(gòu)與實現(xiàn)機制的研究[J]. 費寧,張浩然. 計算機技術(shù)與發(fā)展. 2019(09)
[9]智能機器人研究現(xiàn)狀及發(fā)展趨勢的思考與建議[J]. 陶永,王田苗,劉輝,江山. 高技術(shù)通訊. 2019(02)
[10]分析人工智能在智慧城市中的應(yīng)用[J]. 馬遠智. 中國新通信. 2019(01)
本文編號:3438644
本文鏈接:http://sikaile.net/jiaoyulunwen/tylw/3438644.html
最近更新
教材專著