基于深度学习的无人机行人检测

发布时间：2021-04-20 17:15

　　目标检测与识别是计算机视觉领域十分重要的技术手段,也是机器人实现交互式、自主化运行的关键环节。随着硬件计算资源的快速发展,深度学习方法通过大量数据来训练深度神经网络,以表达图像信息特征。与传统方法相比,该方法具有强大的泛化能力和性能优势,在大量计算资源的情况下能够取得超强的性能。虽然深度学习获得了一系列重要的成果,但是受限于中小型机器人嵌入式设备计算能力有限及复杂工作环境,基于深度学习的目标检测算法在嵌入式设备领域的应用研究还有待探索。本文主要研究基于深度学习的目标检测方法,以四旋翼无人机在自主化运动中的视觉需求为应用背景,针对无人机视角的特定数据特征,实现基于深度学习的无人机行人实时检测。首先通过无人机在不同环境下采集行人数据,根据PASCAL VOC公开数据集,利用图像标注工具手动制作无人机视角下的行人检测训练集及测试数据集,分别用来训练神经网络模型和对模型性能进行检测及评估。为了满足无人机实验中的目标检测实时性需求,从区域推荐法和归一法中选择速度较快的基于关键点检测的无锚框目标识别算法CenterNet框架。在此基础上构建并改进基于ResNet-18的漏斗形主网络架构的深度神经网... 

【文章来源】：南华大学湖南省

【文章页数】：54 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景、研究目的及意义
    1.2 国内外研究现状
        1.2.1 传统的目标检测算法
        1.2.2 基于深度学习的目标检测算法
    1.3 本文主要研究内容
第2章 深度卷积神经网络
    2.1 引言
    2.2 卷积神经网络概述
    2.3 卷积
    2.4 池化
    2.5 激活层
    2.6 基本网络结构
    2.7 卷积神经网络的特点
        2.7.1 参数共享
        2.7.2 稀疏连接
        2.7.4 多通道卷积
    2.8 经典的卷积神经网络
    2.9 本章小结
第3章 CenterNet目标检测算法与优化
    3.1 引言
    3.2 CenterNet的算法思想
    3.3 CenterNet与基于锚框的目标检测算法的比较
    3.4 CenterNet的目标检测方法研究
    3.5 CenterNet的特征提取主网络架构
    3.6 CenterNet的损失函数
        3.6.1 分类损失
        3.6.2 目标框大小损失
        3.6.3 中心偏移损失
    3.7 CenterNet的结果预测
    3.8 深度可分离卷积
        3.8.1 深度可分离卷积优势分析
    3.9 改进后的 Center Net 算法性能分析
    3.10 本章小结
第4章 基于CenterNet的无人机行人检测实现
    4.1 引言
    4.2 模型获取技术路线
    4.3 无人机视角下的行人数据的获取
    4.4 基于Center Net的目标检测算法的设计
    4.5 模型训练方式与参数设定
    4.6 训练模型设备与结果
    4.7 无人机搭载模型实验测试与结果分析
    4.8 拓展
    4.9 本章小结
第5章 总结与展望
参考文献
硕士期间取得的成果
致谢


【参考文献】：
期刊论文
[1]无人机影像目标检测技术研究进展[J]. 寇墨林,卓力,张菁,张辉.  测控技术. 2020(08)
[2]基于视觉的目标检测方法综述[J]. 李章维,胡安顺,王晓飞.  计算机工程与应用. 2020(08)
[3]基于改进Faster R-CNN的无人机视频车辆自动检测[J]. 彭博,蔡晓禹,唐聚,谢济铭,张媛媛.  东南大学学报(自然科学版). 2019(06)
[4]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)



本文编号：3150084