隨著深度學習算法的快速發(fā)展,圖像目標識別領(lǐng)域取得了重大突破,無論是對目標種類的判定還是對目標位置的檢測深度學習算法都取得了遠高于傳統(tǒng)機器學習算法的準確率。機器人技術(shù)是工程和科學的跨學科分支,包括機械工程、信息工程、計算機科學等。機器人技術(shù)涉及機器人的設(shè)計制造以及用于控制機器人運動、傳感器反饋和信息處理的計算機系統(tǒng)。機器人視覺是機器人技術(shù)中的一個研究熱點,涉及如何利用機器人采集環(huán)境的視覺信息并獲得數(shù)字圖像或視頻的高層次理解。從工程角度看,它試圖自動化人類視覺系統(tǒng)可以完成的任務(wù)。深度學習算法應(yīng)用于機器人視覺領(lǐng)域?qū)⒋蟠筇岣邫C器人的環(huán)境的交互能力,提升機器人的智能程度。本文以NAO機器人作為機器人視覺技術(shù)的研究平臺,重點研究了基于深度學習算法的目標識別與跟蹤方法。本文的具體工作如下:（1）研究了深度學習算法基本原理,對Faster R-CNN目標識別模型進行了深入研究,針對Faster R-CNN的特征提取網(wǎng)絡(luò)進行了改進,設(shè)計了一種基于殘差網(wǎng)絡(luò)模型的98層卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征�；贔aster R-CNN目標識別模型針對小目標識別進行了優(yōu)化。在Google云上搭建訓練平臺,以PASCAL ... 

【文章來源】：武漢理工大學湖北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

殘差網(wǎng)絡(luò)的

圖 2-7 RPN 網(wǎng)絡(luò)分類損失函數(shù) 圖 2-8 RPN 網(wǎng)絡(luò)邊界回歸損失函圖 2-9 改進 Faster R-CNN 分類損失函數(shù) 圖 2-10 改進 Faster R-CNN 網(wǎng)歸損失函數(shù)

圖 2-7 RPN 網(wǎng)絡(luò)分類損失函數(shù) 圖 2-8 RPN 網(wǎng)絡(luò)邊界回歸損失函圖 2-9 改進 Faster R-CNN 分類損失函數(shù) 圖 2-10 改進 Faster R-CNN 網(wǎng)歸損失函數(shù)

【參考文獻】：
期刊論文
[1]輪式移動機器人單目視覺的目標測距方法[J]. 肖大偉,翟軍勇.  計算機工程. 2017(04)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的多標簽圖像自動標注[J]. 黎健成,袁春,宋友.  計算機科學. 2016(07)
[3]人臉識別中基于系數(shù)相似性的字典學習算法[J]. 施靜蘭,常侃,張智勇,覃團發(fā).  計算機科學. 2016(06)
[4]基于深度學習的車標識別方法研究[J]. 彭博,臧笛.  計算機科學. 2015(04)

碩士論文
[1]基于NAO機器人的物體識別與定位技術(shù)研究[D]. 蔣哲翎.南京大學 2016
[2]基于NAO機器人的視覺目標檢測與跟蹤[D]. 宗鵬程.華北電力大學 2015
[3]基于單目視覺的移動機器人系統(tǒng)目標識別與定位研究[D]. 徐敏.華南理工大學 2014



本文編號：3419164