基于无人机平台的动态目标检测系统开发

发布时间：2020-07-04 19:51

【摘要】：计算机视觉技术现如今已经广泛应用于各行各业,如视觉测量、事件监测、目标检测、场景重建等等。其中目标检测技术作为计算机视觉领域的重要研究方向之一,它在军事侦察、智慧城市、智能交通、视频监控等领域有着重要的应用前景。常用的目标检测算法有光流法、帧差法、背景差分法、匹配法等。随着近些年来硬件性能的不断提升以及新的算法的提出,基于深度神经网络的方法通过自主学习目标特征,在目标检测领域中表现出了强大的鲁棒性,甚至一些目标检测算法可以在服务器上实时的进行静态或者动态目标检测。本文尝试在嵌入式平台NVIDIA Jetson TX1上开发一套多功能的硬件系统,用于无人机上的实时车辆目标检测,并且可以通过惯性测量传感器以及GPS传感器,获取当前无人机飞行姿态以及地理位置坐标。全文的主要内容包括:第一章阐述了本文研究的背景以及意义,分析了动态目标检测的国内外研究现状,给出了本文的主要研究内容。第二章分析了移动端动态目标检测系统的需求,给出了系统的总体软硬件方案,完成传感器、嵌入式平台等硬件的选型。第三章对比分析了光流法、帧差法、背景差分法、匹配法、深度卷积神经网络目标检测等算法,选择深度卷积神经网络的目标检测算法用于多种情况下的动态场景目标检测。第四章,主要基于深度卷积神经网络的实时目标检测方法进行了训练,并改进模型,在嵌入式上移植部署。首先制作车辆数据集VOCcar,进行训练;接着对目标检测模型tiny-yolo进行改进;最后将深度学习模型迁移部署在NVIDIA Jetson TX1上,实现了移动端的动态车辆目标检测,其中检测帧率稳定在20帧左右。第五章实现硬件系统与目标检测算法的集成,开发了原型系统。利用Arduino对无人机的姿态信息数据以及地理坐标数据进行采集,并采用卡尔曼滤波算法对数据进行滤波解算,获取无人机更为准确的姿态信息。第六章总结与展望,总结了论文的主要工作和成果,并展望了未来嵌入式人工智能硬件系统的研究以及发展。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：V279
【图文】：

开发框架

随着深度学习技术的不断发展，许多深度学习开发框架得到了众多研究者的逡逑认可，典型的代表有邋Ｔ0ｒｃｈ［２＂、Ｔｈｅａｎｏ［２２］、Ｃａｆｆｅ［２３］、Ｐｙｌｅａｍ２［２４］、ＴｅｎｓｏｒＦ丨ｏｗ［２５］、逡逑０龟也［２６］等。这些框架极大方便了研究者的学习与开发，部分框架如图１．２所示。逡逑Ｃａｆｆｅ邋Ｐｙｌｅａｒｎ２逡逑ＰＹＴ６ＲＣＨ逡逑ＩＴ邋Ｔｅｎｓｏｒ邋Ｈｏ逡逑图１．２深度学习开发框架逡逑伴随着深度学习的浪潮，国内外各大公司都早已开始进行相关研究。早在逡逑２０１２年，Ｇｏｏｇｌｅ就开展了一个利用深度学习技术来识别视频中猫脸的项目，利逡逑用１６０００个ＣＰＵ服务器在１０００万个ＹｏｕＴｕｂｅ视频上进行训练，最终使得程序逡逑可以自己识别猫脸。２０１４年，Ｇｏｏｇｌｅ在ＩＬＳＶＲＣ竞赛中利用ＧｏｏｇｌｅＮｅｔ将分类逡逑的错误率降低至６．６６％。谷歌早期使用的是深度学习平台是基于大规模ＣＰＵ集逡逑群的ＤｉｓｔＢｅｌｉｅｆ，现在已经发展为超过８０００个ＧＰＵ组成的Ｔｅｓｏｒｆｌｏｗ上。谷歌的逡逑深度学习研究领域主要包括：语音识别、图像识别、图像搜索、自然语言理解、逡逑谷歌翻译等。著名的社交网站公司Ｆａｃｅｂｏｏｋ，于２０１６年公开了其深度学习平台逡逑Ｔｏｒｃｈｎｅｔ以及自然语言理解引擎ＤｅｅｐＴｅｘｔ。Ｔｏｒｃｈｎｅｔ是建立在Ｔｏｒｃｈ上的外层框逡逑架，它提供模块化设计，提高代码的重用性，使得深度学习的实验和应用变得更逡逑加简单、快速、高效。Ｔｏｒｃｈｎｅｔ可以用于图像识别、自然语言处理等。此外

系统整体,硬件系统,软件系统,框架

无人机的飞行姿态，以便掌握无人机当前飞行状况；搭载地理坐标定位传感器，逡逑可以将发现车辆目标的地理位置进行保存，形成数据报表，以供后期数据分析。逡逑总体方案架构如图２．１所示。逡逑逦．邋？逦逦总~#统■姞逦逡逑＃机．云台ｉｓ性传感器逡逑逦ｉｚ逦＼７逡逑ｉ逦嵌入式移动端平台逡逑ｉ逦逦逦逦逦逦：逦逡逑ｊ逦＾逦ＵＳＢ、ＩＩＣ、ＵＡＲＴ通信协议逦｜逡逑目标检测逡逑；逦软ｆ邋数据曰志邋Ｑ邋｜逡逑地理坐标提取逡逑图２．１系统整体框架逡逑根据系统的功能需求将其分为硬件系统部分与软件系统部分，两者通过通讯逡逑协议相互联系，组成冤整的系统。逡逑８逡逑

【参考文献】