目標檢測與識別是計算機視覺領域十分重要的技術手段,也是機器人實現(xiàn)交互式、自主化運行的關鍵環(huán)節(jié)。隨著硬件計算資源的快速發(fā)展,深度學習方法通過大量數(shù)據(jù)來訓練深度神經(jīng)網(wǎng)絡,以表達圖像信息特征。與傳統(tǒng)方法相比,該方法具有強大的泛化能力和性能優(yōu)勢,在大量計算資源的情況下能夠取得超強的性能。雖然深度學習獲得了一系列重要的成果,但是受限于中小型機器人嵌入式設備計算能力有限及復雜工作環(huán)境,基于深度學習的目標檢測算法在嵌入式設備領域的應用研究還有待探索。本文主要研究基于深度學習的目標檢測方法,以四旋翼無人機在自主化運動中的視覺需求為應用背景,針對無人機視角的特定數(shù)據(jù)特征,實現(xiàn)基于深度學習的無人機行人實時檢測。首先通過無人機在不同環(huán)境下采集行人數(shù)據(jù),根據(jù)PASCAL VOC公開數(shù)據(jù)集,利用圖像標注工具手動制作無人機視角下的行人檢測訓練集及測試數(shù)據(jù)集,分別用來訓練神經(jīng)網(wǎng)絡模型和對模型性能進行檢測及評估。為了滿足無人機實驗中的目標檢測實時性需求,從區(qū)域推薦法和歸一法中選擇速度較快的基于關鍵點檢測的無錨框目標識別算法CenterNet框架。在此基礎上構建并改進基于ResNet-18的漏斗形主網(wǎng)絡架構的深度神經(jīng)網(wǎng)... 

【文章來源】：南華大學湖南省

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景、研究目的及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)的目標檢測算法
        1.2.2 基于深度學習的目標檢測算法
    1.3 本文主要研究內(nèi)容
第2章 深度卷積神經(jīng)網(wǎng)絡
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡概述
    2.3 卷積
    2.4 池化
    2.5 激活層
    2.6 基本網(wǎng)絡結構
    2.7 卷積神經(jīng)網(wǎng)絡的特點
        2.7.1 參數(shù)共享
        2.7.2 稀疏連接
        2.7.4 多通道卷積
    2.8 經(jīng)典的卷積神經(jīng)網(wǎng)絡
    2.9 本章小結
第3章 CenterNet目標檢測算法與優(yōu)化
    3.1 引言
    3.2 CenterNet的算法思想
    3.3 CenterNet與基于錨框的目標檢測算法的比較
    3.4 CenterNet的目標檢測方法研究
    3.5 CenterNet的特征提取主網(wǎng)絡架構
    3.6 CenterNet的損失函數(shù)
        3.6.1 分類損失
        3.6.2 目標框大小損失
        3.6.3 中心偏移損失
    3.7 CenterNet的結果預測
    3.8 深度可分離卷積
        3.8.1 深度可分離卷積優(yōu)勢分析
    3.9 改進后的 Center Net 算法性能分析
    3.10 本章小結
第4章 基于CenterNet的無人機行人檢測實現(xiàn)
    4.1 引言
    4.2 模型獲取技術路線
    4.3 無人機視角下的行人數(shù)據(jù)的獲取
    4.4 基于Center Net的目標檢測算法的設計
    4.5 模型訓練方式與參數(shù)設定
    4.6 訓練模型設備與結果
    4.7 無人機搭載模型實驗測試與結果分析
    4.8 拓展
    4.9 本章小結
第5章 總結與展望
參考文獻
碩士期間取得的成果
致謝


【參考文獻】：
期刊論文
[1]無人機影像目標檢測技術研究進展[J]. 寇墨林,卓力,張菁,張輝.  測控技術. 2020(08)
[2]基于視覺的目標檢測方法綜述[J]. 李章維,胡安順,王曉飛.  計算機工程與應用. 2020(08)
[3]基于改進Faster R-CNN的無人機視頻車輛自動檢測[J]. 彭博,蔡曉禹,唐聚,謝濟銘,張媛媛.  東南大學學報(自然科學版). 2019(06)
[4]深度學習在目標視覺檢測中的應用進展與展望[J]. 張慧,王坤峰,王飛躍.  自動化學報. 2017(08)



本文編號：3150084