基于嵌入式平台的行人检测系统设计与研究
发布时间：2021-12-09 07:11
人作为计算机视觉发展与应用历史进程中最重要的服务对象之一,行人检测技术是机器通过摄像头或其他传感器将人与其所处在的环境进行正确的区分。在诸多应用场景中,行人检测扮演着机器与人类进行交互的重要角色。例如在智能安防、无人汽车、智能机器人等应用领域。近年来基于深度学习的物体检测技术快速发展,相比于传统的行人检测技术,前者的检测精度与检出率远高于后者。本文行人检测算法基于深度学习神经网络模型进行改进,结合嵌入式平台低成本、易部署、体积小的特性,研究并实现一个基于嵌入式平台的行人检测系统。针对该系统的具体实现问题,本文主要从行人检测算法的研究与改进、系统框架及硬件平台搭建、应用程序与界面的设计与实现三个方面展开工作和研究。首先,选用轻量型目标检测网络MobileNet-SSD作为基础网络,然后针对网络对小目标物体检测能力不佳的情况展开研究,对模型的四个方面提出改进:1)从结构上提出一种上采样特征融合的结构,弥补浅层网络语义特征不足的缺陷;2)更换网络损失函数,改善正负样本损失构成比例不均的问题;3)改进图像增广算法,提高小目标物体在正样本中的占比;4)基于行人图像的统计结果,重新设计网络中的先验...
【文章来源】：华侨大学福建省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
行人标注框宽高比统计图
21图3.1所示，黑色是头，红色是身体，棕色是腿，黄色是尾巴。可以看见图中猫的各个部位与背景分离的很明显。但是如果猫的特征图在网络的浅层时则会如图3.2所示，虽然猫身体各个部分依旧表达清晰，但是猫所处在的背景却较为混杂，这就是浅层特征图语义信息不明确的意思。图3.1猫在深层的特征图图3.2猫在浅层的特征图如何改善这样一个矛盾，即浅层图像中具有较高的分辨率但是缺乏相应的语义信息。本文提出一种上采样特征融合的网络结构，可以让这一矛盾得到改善，以此增强MobileNet-SSD网络对小目标物体的识别能力，同时不会给网络模型增加太多的计算负担。3.1.1上采样特征融合结构对于不同尺度目标的识别是计算机视觉算法所需要面临的一个基本挑战。SSD通过构建多层特征金子塔(FPN)[48],以此提高对不同尺度特征的识别能力。然而，本文中使用的MobileNet-SSD网络由于本身网络深度较浅，同时考虑其应用场景是在计算资源较为有限的嵌入式平台，无法使用较为复杂且较深的神经网络。因此，本文对现有的网络模型进行改进，提出一种类似于FPN的反向传播的网络结构，通过将深层的网络进行上采样，上采样方式为最邻近插值法，与浅层网络融合然后再传递给SSD进行目标检测，网络结构如图3.3所示。本文在模型结构上的改进并没有将网络中的六层特征图上都添加上采样特征融合结构，一方面由于模型的改进目标主要是为了改善浅层特征图语义信息较弱的问题以提高小目标物体的检测能力；另一方面是为了尽量减少模型改进带来的更多计算开销，因为模型最终是为了在嵌入式平台使用，既要考虑模型的准确性，同时要考虑到嵌入式平台计算性能较低的因素。
21图3.1所示，黑色是头，红色是身体，棕色是腿，黄色是尾巴。可以看见图中猫的各个部位与背景分离的很明显。但是如果猫的特征图在网络的浅层时则会如图3.2所示，虽然猫身体各个部分依旧表达清晰，但是猫所处在的背景却较为混杂，这就是浅层特征图语义信息不明确的意思。图3.1猫在深层的特征图图3.2猫在浅层的特征图如何改善这样一个矛盾，即浅层图像中具有较高的分辨率但是缺乏相应的语义信息。本文提出一种上采样特征融合的网络结构，可以让这一矛盾得到改善，以此增强MobileNet-SSD网络对小目标物体的识别能力，同时不会给网络模型增加太多的计算负担。3.1.1上采样特征融合结构对于不同尺度目标的识别是计算机视觉算法所需要面临的一个基本挑战。SSD通过构建多层特征金子塔(FPN)[48],以此提高对不同尺度特征的识别能力。然而，本文中使用的MobileNet-SSD网络由于本身网络深度较浅，同时考虑其应用场景是在计算资源较为有限的嵌入式平台，无法使用较为复杂且较深的神经网络。因此，本文对现有的网络模型进行改进，提出一种类似于FPN的反向传播的网络结构，通过将深层的网络进行上采样，上采样方式为最邻近插值法，与浅层网络融合然后再传递给SSD进行目标检测，网络结构如图3.3所示。本文在模型结构上的改进并没有将网络中的六层特征图上都添加上采样特征融合结构，一方面由于模型的改进目标主要是为了改善浅层特征图语义信息较弱的问题以提高小目标物体的检测能力；另一方面是为了尽量减少模型改进带来的更多计算开销，因为模型最终是为了在嵌入式平台使用，既要考虑模型的准确性，同时要考虑到嵌入式平台计算性能较低的因素。
【参考文献】：
期刊论文
[1]轻量化卷积神经网络技术研究[J]. 毕鹏程,罗健欣,陈卫卫. 计算机工程与应用. 2019(16)
[2]我国自动驾驶汽车行业发展现状及存在问题的探讨[J]. 徐志刚,张宇琴,王羽,宋瑞,王润民,赵祥模. 汽车实用技术. 2019(01)
[3]基于HOG-LBP特征的静态图像中的行人检测[J]. 刘国明. 电脑知识与技术. 2017(16)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]行人检测技术研究综述[J]. 张春凤,宋加涛,王万良. 电视技术. 2014(03)
[6]一种基于帧差法与背景减法的运动目标检测新方法[J]. 高凯亮,覃团发,王逸之,常侃. 电讯技术. 2011(10)
本文编号：3530180
【文章来源】：华侨大学福建省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
行人标注框宽高比统计图
21图3.1所示，黑色是头，红色是身体，棕色是腿，黄色是尾巴。可以看见图中猫的各个部位与背景分离的很明显。但是如果猫的特征图在网络的浅层时则会如图3.2所示，虽然猫身体各个部分依旧表达清晰，但是猫所处在的背景却较为混杂，这就是浅层特征图语义信息不明确的意思。图3.1猫在深层的特征图图3.2猫在浅层的特征图如何改善这样一个矛盾，即浅层图像中具有较高的分辨率但是缺乏相应的语义信息。本文提出一种上采样特征融合的网络结构，可以让这一矛盾得到改善，以此增强MobileNet-SSD网络对小目标物体的识别能力，同时不会给网络模型增加太多的计算负担。3.1.1上采样特征融合结构对于不同尺度目标的识别是计算机视觉算法所需要面临的一个基本挑战。SSD通过构建多层特征金子塔(FPN)[48],以此提高对不同尺度特征的识别能力。然而，本文中使用的MobileNet-SSD网络由于本身网络深度较浅，同时考虑其应用场景是在计算资源较为有限的嵌入式平台，无法使用较为复杂且较深的神经网络。因此，本文对现有的网络模型进行改进，提出一种类似于FPN的反向传播的网络结构，通过将深层的网络进行上采样，上采样方式为最邻近插值法，与浅层网络融合然后再传递给SSD进行目标检测，网络结构如图3.3所示。本文在模型结构上的改进并没有将网络中的六层特征图上都添加上采样特征融合结构，一方面由于模型的改进目标主要是为了改善浅层特征图语义信息较弱的问题以提高小目标物体的检测能力；另一方面是为了尽量减少模型改进带来的更多计算开销，因为模型最终是为了在嵌入式平台使用，既要考虑模型的准确性，同时要考虑到嵌入式平台计算性能较低的因素。
21图3.1所示，黑色是头，红色是身体，棕色是腿，黄色是尾巴。可以看见图中猫的各个部位与背景分离的很明显。但是如果猫的特征图在网络的浅层时则会如图3.2所示，虽然猫身体各个部分依旧表达清晰，但是猫所处在的背景却较为混杂，这就是浅层特征图语义信息不明确的意思。图3.1猫在深层的特征图图3.2猫在浅层的特征图如何改善这样一个矛盾，即浅层图像中具有较高的分辨率但是缺乏相应的语义信息。本文提出一种上采样特征融合的网络结构，可以让这一矛盾得到改善，以此增强MobileNet-SSD网络对小目标物体的识别能力，同时不会给网络模型增加太多的计算负担。3.1.1上采样特征融合结构对于不同尺度目标的识别是计算机视觉算法所需要面临的一个基本挑战。SSD通过构建多层特征金子塔(FPN)[48],以此提高对不同尺度特征的识别能力。然而，本文中使用的MobileNet-SSD网络由于本身网络深度较浅，同时考虑其应用场景是在计算资源较为有限的嵌入式平台，无法使用较为复杂且较深的神经网络。因此，本文对现有的网络模型进行改进，提出一种类似于FPN的反向传播的网络结构，通过将深层的网络进行上采样，上采样方式为最邻近插值法，与浅层网络融合然后再传递给SSD进行目标检测，网络结构如图3.3所示。本文在模型结构上的改进并没有将网络中的六层特征图上都添加上采样特征融合结构，一方面由于模型的改进目标主要是为了改善浅层特征图语义信息较弱的问题以提高小目标物体的检测能力；另一方面是为了尽量减少模型改进带来的更多计算开销，因为模型最终是为了在嵌入式平台使用，既要考虑模型的准确性，同时要考虑到嵌入式平台计算性能较低的因素。
【参考文献】：
期刊论文
[1]轻量化卷积神经网络技术研究[J]. 毕鹏程,罗健欣,陈卫卫. 计算机工程与应用. 2019(16)
[2]我国自动驾驶汽车行业发展现状及存在问题的探讨[J]. 徐志刚,张宇琴,王羽,宋瑞,王润民,赵祥模. 汽车实用技术. 2019(01)
[3]基于HOG-LBP特征的静态图像中的行人检测[J]. 刘国明. 电脑知识与技术. 2017(16)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]行人检测技术研究综述[J]. 张春凤,宋加涛,王万良. 电视技术. 2014(03)
[6]一种基于帧差法与背景减法的运动目标检测新方法[J]. 高凯亮,覃团发,王逸之,常侃. 电讯技术. 2011(10)
本文编号：3530180
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3530180.html
