隨著人工智能的發(fā)展,越來(lái)越多的智能設(shè)備如機(jī)器人能夠在各種場(chǎng)景代替人類工作。在安防領(lǐng)域,很多場(chǎng)景需要安防人員進(jìn)行巡邏,其中存在工作量大、危險(xiǎn)性高等問(wèn)題。這類情況下,使用機(jī)器人或無(wú)人車進(jìn)行巡邏無(wú)疑將是更好的選擇。因此,研究自主巡邏的機(jī)器人或無(wú)人車一直是人工智能領(lǐng)域的一大研究熱點(diǎn)。視頻導(dǎo)航,作為自主巡邏中的一種有效且常用的導(dǎo)航方法,是當(dāng)前研究的一大熱點(diǎn)。本文將針對(duì)視頻導(dǎo)航中存在的若干問(wèn)題展開(kāi)研究,主要有：室內(nèi)導(dǎo)航中的地圖建立與自我定位、室外導(dǎo)航中的障礙物檢測(cè)以及導(dǎo)航過(guò)程中可疑行人人臉的檢測(cè)與識(shí)別等。本文的主要研究工作與創(chuàng)新如下：1.針對(duì)室內(nèi)導(dǎo)航常用的設(shè)定路標(biāo)和導(dǎo)軌方法難于實(shí)施,適應(yīng)能力不強(qiáng)的問(wèn)題,提出了一種快速易實(shí)施的基于引導(dǎo)人地圖生成與自然路標(biāo)選取的室內(nèi)導(dǎo)航方法。該方法利用視頻幀差法以及顏色信息,檢測(cè)出引導(dǎo)人所在的位置,跟隨引導(dǎo)人行走并記錄路徑,同時(shí)在行走過(guò)程中記錄自然場(chǎng)景作為路標(biāo),從而形成拓?fù)涞貓D,地圖建立后可以在此基礎(chǔ)上實(shí)現(xiàn)自主巡邏。由于不需要提前設(shè)定路標(biāo)和導(dǎo)軌,所以易于實(shí)施,適應(yīng)性強(qiáng)。實(shí)驗(yàn)結(jié)果表明,該方法在會(huì)議室、辦公室以及實(shí)驗(yàn)室等復(fù)雜環(huán)境下平均導(dǎo)航成功率能夠達(dá)到91.5%。2.針對(duì)... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：126 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

谷歌無(wú)人車在人類所獲取的外界信息中，絕大部分是通過(guò)眼睛獲取的，也就是視覺(jué)信息

2.4.1 訓(xùn)練方式深度學(xué)習(xí)的訓(xùn)練方式可以分為兩步（如圖2.1所示）：預(yù)訓(xùn)練與微調(diào)(fine-tune )。預(yù)訓(xùn)練，即為自下而上的非監(jiān)督學(xué)習(xí)，這一步是與傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)最大的區(qū)別。用逐層訓(xùn)練的方法，每次只學(xué)習(xí)一層的參數(shù)，學(xué)習(xí)下一層參數(shù)的時(shí)候這一層參數(shù)固定。微調(diào)，即為自上而下的監(jiān)督學(xué)習(xí)這一步類似于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的反向傳播（BP:Back Propagation)過(guò)程。利用帶標(biāo)簽的數(shù)據(jù)，對(duì)誤差進(jìn)行反向傳播，對(duì)所有層的網(wǎng)絡(luò)參數(shù)進(jìn)行一次性調(diào)整。由于最后只是進(jìn)行一次性微調(diào)，所以深度學(xué)習(xí)效果好壞在很大程度上主要依靠第一步的預(yù)訓(xùn)練過(guò)程。輸出層預(yù) ⑩? 微越隱層^CTO QO 0\ —?八 J輸入層圖2.1深度網(wǎng)絡(luò)的訓(xùn)練過(guò)程2.4.2 模型架構(gòu)目前常見(jiàn)的深度學(xué)習(xí)模型有很多，基本上可以分為兩大類：判別模型和概率生成模型。其中判別模型與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法一致，層間利用判別準(zhǔn)則連接。而概率生成模型則通過(guò)概率準(zhǔn)則來(lái)連接各層。最常見(jiàn)的判別模型主要有兩種：棧式自編碼器（SAE: Stack Auto Encoder)模型與卷積神經(jīng)網(wǎng)絡(luò)CNN。自編碼器（AE: Auto Encoder)最早出現(xiàn)在20世紀(jì)80年代[164]

Pooling)層，每個(gè)卷積層有不同的卷積核大小，并產(chǎn)生不同的特征圖數(shù)量，后面為全連接層。當(dāng)然，除了這兩種常見(jiàn)的判別模型，最近也出現(xiàn)了很多其他的基于判別模式的模型，例如在SAE基礎(chǔ)上改進(jìn)的棧式降噪自編碼器SDAE (Stack Denoising Auto Encoder)[丨68],基于 PCA 的 PCANet[丨69]等。

【參考文獻(xiàn)】：
期刊論文
[1]海云協(xié)同環(huán)境下服務(wù)運(yùn)營(yíng)環(huán)境關(guān)鍵技術(shù)的探討[J]. 馬斌,馮波.  網(wǎng)絡(luò)新媒體技術(shù). 2014(06)
[2]海云計(jì)算實(shí)驗(yàn)系統(tǒng)研究[J]. 詹劍鋒,明子鑒,王磊,徐俊剛,陳興振,張峰,張立新,孫凝暉.  網(wǎng)絡(luò)新媒體技術(shù). 2012(06)
[3]海云創(chuàng)新試驗(yàn)環(huán)境管控與服務(wù)系統(tǒng)總體設(shè)計(jì)[J]. 葛敬國(guó),唐海娜,鄂躍鵬,李佟.  網(wǎng)絡(luò)新媒體技術(shù). 2012(06)



本文編號(hào)：2939970