基于嵌入式平臺的行人檢測系統(tǒng)設(shè)計與研究
發(fā)布時間：2021-12-09 07:11
人作為計算機視覺發(fā)展與應(yīng)用歷史進程中最重要的服務(wù)對象之一,行人檢測技術(shù)是機器通過攝像頭或其他傳感器將人與其所處在的環(huán)境進行正確的區(qū)分。在諸多應(yīng)用場景中,行人檢測扮演著機器與人類進行交互的重要角色。例如在智能安防、無人汽車、智能機器人等應(yīng)用領(lǐng)域。近年來基于深度學(xué)習(xí)的物體檢測技術(shù)快速發(fā)展,相比于傳統(tǒng)的行人檢測技術(shù),前者的檢測精度與檢出率遠高于后者。本文行人檢測算法基于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型進行改進,結(jié)合嵌入式平臺低成本、易部署、體積小的特性,研究并實現(xiàn)一個基于嵌入式平臺的行人檢測系統(tǒng)。針對該系統(tǒng)的具體實現(xiàn)問題,本文主要從行人檢測算法的研究與改進、系統(tǒng)框架及硬件平臺搭建、應(yīng)用程序與界面的設(shè)計與實現(xiàn)三個方面展開工作和研究。首先,選用輕量型目標檢測網(wǎng)絡(luò)MobileNet-SSD作為基礎(chǔ)網(wǎng)絡(luò),然后針對網(wǎng)絡(luò)對小目標物體檢測能力不佳的情況展開研究,對模型的四個方面提出改進:1)從結(jié)構(gòu)上提出一種上采樣特征融合的結(jié)構(gòu),彌補淺層網(wǎng)絡(luò)語義特征不足的缺陷;2)更換網(wǎng)絡(luò)損失函數(shù),改善正負樣本損失構(gòu)成比例不均的問題;3)改進圖像增廣算法,提高小目標物體在正樣本中的占比;4)基于行人圖像的統(tǒng)計結(jié)果,重新設(shè)計網(wǎng)絡(luò)中的先驗...
【文章來源】：華僑大學(xué)福建省
【文章頁數(shù)】：77 頁
【學(xué)位級別】：碩士
【部分圖文】：
行人標注框?qū)捀弑冉y(tǒng)計圖
21圖3.1所示，黑色是頭，紅色是身體，棕色是腿，黃色是尾巴�？梢钥匆妶D中貓的各個部位與背景分離的很明顯。但是如果貓的特征圖在網(wǎng)絡(luò)的淺層時則會如圖3.2所示，雖然貓身體各個部分依舊表達清晰，但是貓所處在的背景卻較為混雜，這就是淺層特征圖語義信息不明確的意思。圖3.1貓在深層的特征圖圖3.2貓在淺層的特征圖如何改善這樣一個矛盾，即淺層圖像中具有較高的分辨率但是缺乏相應(yīng)的語義信息。本文提出一種上采樣特征融合的網(wǎng)絡(luò)結(jié)構(gòu)，可以讓這一矛盾得到改善，以此增強MobileNet-SSD網(wǎng)絡(luò)對小目標物體的識別能力，同時不會給網(wǎng)絡(luò)模型增加太多的計算負擔(dān)。3.1.1上采樣特征融合結(jié)構(gòu)對于不同尺度目標的識別是計算機視覺算法所需要面臨的一個基本挑戰(zhàn)。SSD通過構(gòu)建多層特征金子塔(FPN)[48],以此提高對不同尺度特征的識別能力。然而，本文中使用的MobileNet-SSD網(wǎng)絡(luò)由于本身網(wǎng)絡(luò)深度較淺，同時考慮其應(yīng)用場景是在計算資源較為有限的嵌入式平臺，無法使用較為復(fù)雜且較深的神經(jīng)網(wǎng)絡(luò)。因此，本文對現(xiàn)有的網(wǎng)絡(luò)模型進行改進，提出一種類似于FPN的反向傳播的網(wǎng)絡(luò)結(jié)構(gòu)，通過將深層的網(wǎng)絡(luò)進行上采樣，上采樣方式為最鄰近插值法，與淺層網(wǎng)絡(luò)融合然后再傳遞給SSD進行目標檢測，網(wǎng)絡(luò)結(jié)構(gòu)如圖3.3所示。本文在模型結(jié)構(gòu)上的改進并沒有將網(wǎng)絡(luò)中的六層特征圖上都添加上采樣特征融合結(jié)構(gòu)，一方面由于模型的改進目標主要是為了改善淺層特征圖語義信息較弱的問題以提高小目標物體的檢測能力；另一方面是為了盡量減少模型改進帶來的更多計算開銷，因為模型最終是為了在嵌入式平臺使用，既要考慮模型的準確性，同時要考慮到嵌入式平臺計算性能較低的因素。
21圖3.1所示，黑色是頭，紅色是身體，棕色是腿，黃色是尾巴�？梢钥匆妶D中貓的各個部位與背景分離的很明顯。但是如果貓的特征圖在網(wǎng)絡(luò)的淺層時則會如圖3.2所示，雖然貓身體各個部分依舊表達清晰，但是貓所處在的背景卻較為混雜，這就是淺層特征圖語義信息不明確的意思。圖3.1貓在深層的特征圖圖3.2貓在淺層的特征圖如何改善這樣一個矛盾，即淺層圖像中具有較高的分辨率但是缺乏相應(yīng)的語義信息。本文提出一種上采樣特征融合的網(wǎng)絡(luò)結(jié)構(gòu)，可以讓這一矛盾得到改善，以此增強MobileNet-SSD網(wǎng)絡(luò)對小目標物體的識別能力，同時不會給網(wǎng)絡(luò)模型增加太多的計算負擔(dān)。3.1.1上采樣特征融合結(jié)構(gòu)對于不同尺度目標的識別是計算機視覺算法所需要面臨的一個基本挑戰(zhàn)。SSD通過構(gòu)建多層特征金子塔(FPN)[48],以此提高對不同尺度特征的識別能力。然而，本文中使用的MobileNet-SSD網(wǎng)絡(luò)由于本身網(wǎng)絡(luò)深度較淺，同時考慮其應(yīng)用場景是在計算資源較為有限的嵌入式平臺，無法使用較為復(fù)雜且較深的神經(jīng)網(wǎng)絡(luò)。因此，本文對現(xiàn)有的網(wǎng)絡(luò)模型進行改進，提出一種類似于FPN的反向傳播的網(wǎng)絡(luò)結(jié)構(gòu)，通過將深層的網(wǎng)絡(luò)進行上采樣，上采樣方式為最鄰近插值法，與淺層網(wǎng)絡(luò)融合然后再傳遞給SSD進行目標檢測，網(wǎng)絡(luò)結(jié)構(gòu)如圖3.3所示。本文在模型結(jié)構(gòu)上的改進并沒有將網(wǎng)絡(luò)中的六層特征圖上都添加上采樣特征融合結(jié)構(gòu)，一方面由于模型的改進目標主要是為了改善淺層特征圖語義信息較弱的問題以提高小目標物體的檢測能力；另一方面是為了盡量減少模型改進帶來的更多計算開銷，因為模型最終是為了在嵌入式平臺使用，既要考慮模型的準確性，同時要考慮到嵌入式平臺計算性能較低的因素。
【參考文獻】：
期刊論文
[1]輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi). 計算機工程與應(yīng)用. 2019(16)
[2]我國自動駕駛汽車行業(yè)發(fā)展現(xiàn)狀及存在問題的探討[J]. 徐志剛,張宇琴,王羽,宋瑞,王潤民,趙祥模. 汽車實用技術(shù). 2019(01)
[3]基于HOG-LBP特征的靜態(tài)圖像中的行人檢測[J]. 劉國明. 電腦知識與技術(shù). 2017(16)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應(yīng)用. 2016(09)
[5]行人檢測技術(shù)研究綜述[J]. 張春鳳,宋加濤,王萬良. 電視技術(shù). 2014(03)
[6]一種基于幀差法與背景減法的運動目標檢測新方法[J]. 高凱亮,覃團發(fā),王逸之,常侃. 電訊技術(shù). 2011(10)
本文編號：3530180
【文章來源】：華僑大學(xué)福建省
【文章頁數(shù)】：77 頁
【學(xué)位級別】：碩士
【部分圖文】：
行人標注框?qū)捀弑冉y(tǒng)計圖
21圖3.1所示，黑色是頭，紅色是身體，棕色是腿，黃色是尾巴�？梢钥匆妶D中貓的各個部位與背景分離的很明顯。但是如果貓的特征圖在網(wǎng)絡(luò)的淺層時則會如圖3.2所示，雖然貓身體各個部分依舊表達清晰，但是貓所處在的背景卻較為混雜，這就是淺層特征圖語義信息不明確的意思。圖3.1貓在深層的特征圖圖3.2貓在淺層的特征圖如何改善這樣一個矛盾，即淺層圖像中具有較高的分辨率但是缺乏相應(yīng)的語義信息。本文提出一種上采樣特征融合的網(wǎng)絡(luò)結(jié)構(gòu)，可以讓這一矛盾得到改善，以此增強MobileNet-SSD網(wǎng)絡(luò)對小目標物體的識別能力，同時不會給網(wǎng)絡(luò)模型增加太多的計算負擔(dān)。3.1.1上采樣特征融合結(jié)構(gòu)對于不同尺度目標的識別是計算機視覺算法所需要面臨的一個基本挑戰(zhàn)。SSD通過構(gòu)建多層特征金子塔(FPN)[48],以此提高對不同尺度特征的識別能力。然而，本文中使用的MobileNet-SSD網(wǎng)絡(luò)由于本身網(wǎng)絡(luò)深度較淺，同時考慮其應(yīng)用場景是在計算資源較為有限的嵌入式平臺，無法使用較為復(fù)雜且較深的神經(jīng)網(wǎng)絡(luò)。因此，本文對現(xiàn)有的網(wǎng)絡(luò)模型進行改進，提出一種類似于FPN的反向傳播的網(wǎng)絡(luò)結(jié)構(gòu)，通過將深層的網(wǎng)絡(luò)進行上采樣，上采樣方式為最鄰近插值法，與淺層網(wǎng)絡(luò)融合然后再傳遞給SSD進行目標檢測，網(wǎng)絡(luò)結(jié)構(gòu)如圖3.3所示。本文在模型結(jié)構(gòu)上的改進并沒有將網(wǎng)絡(luò)中的六層特征圖上都添加上采樣特征融合結(jié)構(gòu)，一方面由于模型的改進目標主要是為了改善淺層特征圖語義信息較弱的問題以提高小目標物體的檢測能力；另一方面是為了盡量減少模型改進帶來的更多計算開銷，因為模型最終是為了在嵌入式平臺使用，既要考慮模型的準確性，同時要考慮到嵌入式平臺計算性能較低的因素。
21圖3.1所示，黑色是頭，紅色是身體，棕色是腿，黃色是尾巴�？梢钥匆妶D中貓的各個部位與背景分離的很明顯。但是如果貓的特征圖在網(wǎng)絡(luò)的淺層時則會如圖3.2所示，雖然貓身體各個部分依舊表達清晰，但是貓所處在的背景卻較為混雜，這就是淺層特征圖語義信息不明確的意思。圖3.1貓在深層的特征圖圖3.2貓在淺層的特征圖如何改善這樣一個矛盾，即淺層圖像中具有較高的分辨率但是缺乏相應(yīng)的語義信息。本文提出一種上采樣特征融合的網(wǎng)絡(luò)結(jié)構(gòu)，可以讓這一矛盾得到改善，以此增強MobileNet-SSD網(wǎng)絡(luò)對小目標物體的識別能力，同時不會給網(wǎng)絡(luò)模型增加太多的計算負擔(dān)。3.1.1上采樣特征融合結(jié)構(gòu)對于不同尺度目標的識別是計算機視覺算法所需要面臨的一個基本挑戰(zhàn)。SSD通過構(gòu)建多層特征金子塔(FPN)[48],以此提高對不同尺度特征的識別能力。然而，本文中使用的MobileNet-SSD網(wǎng)絡(luò)由于本身網(wǎng)絡(luò)深度較淺，同時考慮其應(yīng)用場景是在計算資源較為有限的嵌入式平臺，無法使用較為復(fù)雜且較深的神經(jīng)網(wǎng)絡(luò)。因此，本文對現(xiàn)有的網(wǎng)絡(luò)模型進行改進，提出一種類似于FPN的反向傳播的網(wǎng)絡(luò)結(jié)構(gòu)，通過將深層的網(wǎng)絡(luò)進行上采樣，上采樣方式為最鄰近插值法，與淺層網(wǎng)絡(luò)融合然后再傳遞給SSD進行目標檢測，網(wǎng)絡(luò)結(jié)構(gòu)如圖3.3所示。本文在模型結(jié)構(gòu)上的改進并沒有將網(wǎng)絡(luò)中的六層特征圖上都添加上采樣特征融合結(jié)構(gòu)，一方面由于模型的改進目標主要是為了改善淺層特征圖語義信息較弱的問題以提高小目標物體的檢測能力；另一方面是為了盡量減少模型改進帶來的更多計算開銷，因為模型最終是為了在嵌入式平臺使用，既要考慮模型的準確性，同時要考慮到嵌入式平臺計算性能較低的因素。
【參考文獻】：
期刊論文
[1]輕量化卷積神經(jīng)網(wǎng)絡(luò)技術(shù)研究[J]. 畢鵬程,羅健欣,陳衛(wèi)衛(wèi). 計算機工程與應(yīng)用. 2019(16)
[2]我國自動駕駛汽車行業(yè)發(fā)展現(xiàn)狀及存在問題的探討[J]. 徐志剛,張宇琴,王羽,宋瑞,王潤民,趙祥模. 汽車實用技術(shù). 2019(01)
[3]基于HOG-LBP特征的靜態(tài)圖像中的行人檢測[J]. 劉國明. 電腦知識與技術(shù). 2017(16)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航. 計算機應(yīng)用. 2016(09)
[5]行人檢測技術(shù)研究綜述[J]. 張春鳳,宋加濤,王萬良. 電視技術(shù). 2014(03)
[6]一種基于幀差法與背景減法的運動目標檢測新方法[J]. 高凱亮,覃團發(fā),王逸之,常侃. 電訊技術(shù). 2011(10)
本文編號：3530180
本文鏈接：http://sikaile.net/kejilunwen/daoluqiaoliang/3530180.html
