隨著計算機視覺領域的不斷突破,智能監(jiān)控得到了飛速發(fā)展。近些年邊緣計算概念提出和硬件性能的提升,在本地處理數(shù)據(jù)的需求及能力與日俱增。本文針對嵌入式平臺下機器視覺算法準確率較低、實時性差等問題,開展了行人流量統(tǒng)計相關技術研究。首先,進行了基于機器視覺的行人流量統(tǒng)計嵌入式系統(tǒng)總體設計。在分析了系統(tǒng)需求和應用場景之后,設計了系統(tǒng)的總體架構,采用“行人檢測-行人跟蹤-行人計數(shù)”的算法流程,并搭建了系統(tǒng)軟硬件平臺。然后,研究了行人流量統(tǒng)計嵌入式系統(tǒng)的行人檢測算法。優(yōu)選了SSD深度學習檢測框架,考慮到行人目標的特殊性,改進了default box,使之更適應行人檢測任務。同時為了進一步提高檢測精度,本文提出了Top-Down結構,豐富了不同層次特征圖的空間和語義信息�？紤]到嵌入式平臺的計算資源有限,改進了基于深度可分離卷積的主干網絡,提高了算法的實時性。在Caltech測試集上的測試結果表明,改進后的算法在行人漏檢率和合理行人漏檢率上分別下降了12.14%和4.92%,檢測速度為19.7FPS。和其他主流的檢測算法相比,本文算法檢測精度和速度的綜合性能上有很大的競爭力,適用于嵌入式平臺應用。其次,研... 

【文章來源】： 華逸倫 武漢理工大學

【文章頁數(shù)】：83 頁

【學位級別】：碩士

【部分圖文】：

攝像頭

12數(shù)方向，完成行人計數(shù)的過程。本系統(tǒng)使用了面向對象的編程思想，主要實現(xiàn)了兩個類：tracker類和detection類，其中的主要成員變量如圖2-4所示。此外，本系統(tǒng)結合多線程和并行處理的思想，每個tracker實例都會分配一個線程進行處理，相較于單線程的串行處理，合理利用了計算資源，提高了算法的運行速度。detectionx，y//目標左上角坐標center_x，center_y//目標中心點坐標w，h//目標寬度、高度score//目標是行人的置信度分數(shù)trackerx，y//目標左上角坐標point_list//目標每一幀中心點形成的軌跡w，h//目標寬度、高度start_frame//目標第一次出現(xiàn)的幀數(shù)id//檢測目標序號id//跟蹤目標序號end_frame//目標最后一次出現(xiàn)的幀數(shù)count_flag//計數(shù)標志位圖2-4detection和tracker類的主要成員變量為了直觀、方便地測試算法性能，展示運行效果，本文為行人流量統(tǒng)計嵌入式系統(tǒng)設計了簡單實用的交互界面。由于本系統(tǒng)部署在嵌入式平臺上，該平臺搭載了Linux操作系統(tǒng)，因此利用Qtcreator工具在QT5.8庫下進行開發(fā)。本文設計的界面功能基本滿足實際需求，且界面設計簡潔方便操作，界面設計如圖2-5所示。圖2-5行人流量統(tǒng)計系統(tǒng)交互界面

132.3行人流量統(tǒng)計嵌入式系統(tǒng)平臺搭建根據(jù)上一節(jié)設計的總體方案，本節(jié)搭建了行人流量統(tǒng)計嵌入式系統(tǒng)依賴的系統(tǒng)平臺，包括硬件平臺和軟件支持。2.3.1嵌入式硬件平臺本系統(tǒng)采用的硬件平臺為NVIDIAJetson。NVIDIAJetson是目前應用最廣的深度學習嵌入式計算平臺，由于在深度學習方面的計算效率高、能耗低、部署方便等優(yōu)勢，使得Jetson成為部署深度學習嵌入式系統(tǒng)的理想平臺。它性能強大，外形小巧，節(jié)能高效，適合機器人、無人機、智能攝像機和便攜醫(yī)療設備等智能終端設備。JetsonTX2是Jetson系列的最新產品，采用NVIDIAPascalTM構架，相較于前一代產品，可以構建更加大型的神經網絡，其核心模塊如圖2-6(a)所示，其主要技術參數(shù)為：(1)CPU：ARMCortex-A57核心(2)GPU：NVIDIAPascalTM架構，256顆CUDA核心(3)內存：8GB128位LPDDR4(4)數(shù)據(jù)存儲：32GBeMMC存儲JetsonTX2開發(fā)者套件在JetsonTX2核心模塊的基礎上，拓展了許多外部接口與資源，使得核心模塊的硬件功能充分發(fā)揮效用，如圖2-6(b)所示。其主要包括：(1)JetsonTX2核心模塊(2)WIFI/藍牙支持(3)USBOTG接口(4)千兆以太網支持(a)JetsonTX2核心模塊(b)JetsonTX2開發(fā)者套件圖2-6JetsonTX2核心模塊及開發(fā)套件圖

【參考文獻】：
期刊論文
[1]基于背景抑制和前景抗干擾的多尺度跟蹤算法[J]. 華逸倫,石英,楊明東,劉子偉.  紅外技術. 2018(11)
[2]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)
[3]基于視覺的目標檢測與跟蹤綜述[J]. 尹宏鵬,陳波,柴毅,劉兆棟.  自動化學報. 2016(10)
[4]特征回歸與檢測結合的人數(shù)統(tǒng)計方法[J]. 周治平,許伶俐,李文慧.  計算機輔助設計與圖形學學報. 2015(03)
[5]基于紅外傳感器的樓宇人數(shù)統(tǒng)計系統(tǒng)的設計[J]. 李娟,楊錄,張艷花.  山西電子技術. 2010(06)
[6]基于顏色和形狀信息的快速人數(shù)統(tǒng)計方法[J]. 王強,馮燕.  計算機測量與控制. 2010(09)

碩士論文
[1]基于深度學習的目標檢測研究[D]. 付若楠.北京交通大學 2017
[2]基于深度學習的復雜場景行人計數(shù)方法的研究[D]. 車廣富.北京郵電大學 2017
[3]智能視頻監(jiān)控中行人跟蹤技術研究[D]. 朱志玲.北京交通大學 2014
[4]面向視頻監(jiān)控的自動人數(shù)統(tǒng)計研究[D]. 李新江.西南交通大學 2014
[5]復雜場景下基于視頻的行人流量統(tǒng)計算法研究[D]. 張驚州.電子科技大學 2014
[6]出入口人數(shù)統(tǒng)計系統(tǒng)的設計與實現(xiàn)[D]. 賴勇.電子科技大學 2010
[7]復雜條件下人頭檢測與計數(shù)技術研究與實現(xiàn)[D]. 朱效正.南京理工大學 2009
[8]視頻監(jiān)控中運動物體的檢測與跟蹤的研究與實現(xiàn)[D]. 李雷明.南京航空航天大學 2008



本文編號：2950661