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

【文章來源】：中南林業(yè)科技大學(xué)湖南省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

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

檢測網(wǎng)絡(luò)的理論基礎(chǔ)??本文的研究目標(biāo)是完成對自動駕駛汽車周圍環(huán)境中行人分布的準(zhǔn)確估計。本章??介紹了常用行人檢測方法的主要流程，同時也介紹了卷積神經(jīng)網(wǎng)絡(luò)的主要特征及其具??體的訓(xùn)練過程�；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法可以分為兩種，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精度，而后者能較??好的滿足檢測的實時性要求。??２．１行人檢測流程??行人檢測的目標(biāo)是確定圖像中是否存在行人目標(biāo)，并給出每個目標(biāo)的邊界框。??傳統(tǒng)的基于統(tǒng)計學(xué)習(xí)的行人檢測流程如圖２．１所示，主要分為兩個部分：訓(xùn)練部??分和測試部分。這種方法主要使用大量的正負樣本進行訓(xùn)練以獲得分類器，并使用??分類器測試樣本。??／?／??／?／?ｉ＊鏖感？參泰癱參秦？參？秦？？？＊？■■鐮魯癱暴秦鬱■著■費讀■？秦？魯？龜泰？秦康????１?正樣本?負樣本??選定窗Ｕ????????Ｌ——，Ｔ－￣＾????????１?提取特征?提取特征??滑動窗丨】?提取特征??－ｙ－??????１?卜土習(xí)１???形》歷結(jié)束？??Ｉ?Ｉ??圖２．１傳統(tǒng)行人檢測流程??Ｆｉｇｕｒｅ?２．１?Ｔｒａｄｉｔｉｏｎａｌ?ｐｅｄｅｓｔｒｉａｎ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ??在傳統(tǒng)行人檢測網(wǎng)絡(luò)的學(xué)習(xí)過程中，有以下幾個流程：??（１）訓(xùn)練數(shù)據(jù)的讀入。該過程對訓(xùn)練數(shù)據(jù)集有一定的要求，第一是該數(shù)據(jù)集必??須包含正負兩種樣本，第二是正樣本必須有對應(yīng)的標(biāo)簽文件；??（２）數(shù)據(jù)預(yù)處理。這個過程將對圖像的尺寸進行調(diào)整，使其保持一致；??（３）設(shè)計特征圖。通過輸入的正負樣本人工進行特征設(shè)計；??

，得出感興趣區(qū)域；??（３）提取圖像區(qū)域特征，即對感興趣區(qū)域進行特征提��；??（４）得出檢測結(jié)果，將網(wǎng)絡(luò)提取的特征輸入到子網(wǎng)絡(luò)中進行計算，得出目標(biāo)的??類別與位置。??傳統(tǒng)的行人檢測方法是建立在統(tǒng)計學(xué)習(xí)的基礎(chǔ)之上，所以人工特征的設(shè)計對網(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)進行不同維度的卷積計算以得出適應(yīng)不同尺寸目標(biāo)的??特征圖；??（３）子采樣層，對特征圖進行選擇提��；??（４）卷積層，將特征圖與局部檢測圖對應(yīng)；??（５）隱藏層，將上述過程得到的檢測圖進行概率計算；??（６）是輸出層，輸出最終的目標(biāo)種類和位置。??８??

【參考文獻】：
期刊論文
[1]面向目標(biāo)檢測的SSD網(wǎng)絡(luò)輕量化設(shè)計研究[J]. 馮燁,張索非,吳曉富.  信號處理. 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.  計算機學(xué)報. 2017(11)
[3]深度學(xué)習(xí)在無人駕駛汽車領(lǐng)域應(yīng)用的研究進展[J]. 王科俊,趙彥東,邢向磊.  智能系統(tǒng)學(xué)報. 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.  計算機工程與科學(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[D]. 周韜.廣西師范大學(xué) 2019
[3]基于改進LeNet-5的人臉表情識別及其嵌入式實現(xiàn)[D]. 單雷.蘇州大學(xué) 2019
[4]基于深度學(xué)習(xí)的實時目標(biāo)檢測算法研究與實現(xiàn)[D]. 張焱磊.東南大學(xué) 2019
[5]基于深度學(xué)習(xí)的嵌入式行人檢測系統(tǒng)的研究與應(yīng)用[D]. 邱強.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)檢測算法研究[D]. 方璐.合肥工業(yè)大學(xué) 2019
[7]基于目標(biāo)檢測的神經(jīng)網(wǎng)絡(luò)壓縮與優(yōu)化算法研究[D]. 彭康堅.杭州電子科技大學(xué) 2019
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的物體檢測研究[D]. 施建源.深圳大學(xué) 2018



本文編號：3258534