基于嵌入式的行人检测、追踪及统计系统的研发

发布时间：2023-01-30 21:58

　　随着人工智能技术的进步与发展,基于行人的检测、追踪和重识别的算法性能有了进一步的提升,但是算法落地还比较困难。其难点主要有两个:首先,当前深度学习的神经网络模型大多只在服务器上测试性能,模型很难在嵌入式设备上运行。其次,研究者们只专注于解决单一的问题,例如目标检测和追踪,没有考虑到算法之间的融合,而单独的检测和追踪算法在实际生活中的应用上有很大的局限性。针对以上的存在的问题,本文基于嵌入式设备,对神经网络模型在嵌入式设备上的应用进行了探索。我们选用了在行人检测和追踪上有着优秀表现的轻量级模型,并进行了模型剪枝和量化工作,在保证准确率的前提下,进一步的提升算法的运行速度。另外,基于现实生活中对行人信息统计的迫切需求,本文设计了一套完整的端到端系统,用户无需任何操作即可获取行人的计数信息。最后,我们采用了短时和长时两种方式的行人重识别策略,解决了行人追踪的过程中可能出现的ID切换问题,让系统自动更新行人的数据库ID,保证了行人在数据库中ID的唯一性。我们通过行人的ID数量来进行行人计数,因此也保证了行人计数的准确性。最后的实验的结果也表明深度学习的算法并非无法在嵌入式设备上运行。我们需要让... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 行人统计的背景和意义
        1.1.2 模型结构压缩的背景和意义
    1.2 国内外研究现状分析
        1.2.1 深度学习与卷积神经网络发展动态
        1.2.2 行人检测算法的发展动态
        1.2.3 目标追踪算法的发展动态
        1.2.4 行人重识别技术
    1.3 本文的研究内容和组织结构
        1.3.1 本文研究内容
        1.3.2 本文结构安排
第2章 相关技术简介
    2.1 相关技术简介
        2.1.1 嵌入式平台介绍
    2.2 行人检测算法
        2.2.1 行人检测指标
        2.2.2 Darknet框架
        2.2.3 YOLO
    2.3 行人追踪算法
    2.4 行人重识别算法
        2.4.1 行人重识别的数据集和评价指标
        2.4.2 基于图像的行人重识别模型
    2.5 模型压缩技术
        2.5.1 模型剪裁与稀疏化
        2.5.2 模型量化
    2.6 多线程技术
    2.7 本章小结
第3章 需求分析与概要设计
    3.1 业务需求
    3.2 功能需求
        3.2.1 总体需求
        3.2.2 行人检测模块需求
        3.2.3 行人追踪模块需求
        3.2.4 行人重识别模块需求
        3.2.5 行人数据库管理
        3.2.6 行人数据统计
    3.3 性能需求
        3.3.1 系统易用性需求
        3.3.2 系统实时性需求
        3.3.3 系统健壮性需求
    3.4 系统总体设计
        3.4.1 系统需求
        3.4.2 运行环境
        3.4.3 整体架构
    3.5 系统结构设计
    3.6 模块设计
        3.6.1 整体流程
        3.6.2 行人检测模块设计
        3.6.3 行人追踪模块设计
        3.6.4 行人重识别模块设计
        3.6.5 数据库模块设计
        3.6.6 显示界面模块设计
    3.7 本章小结
第4章 系统详细设计与实现
    4.1 行人检测算法
        4.1.1 行人检测算法原理
        4.1.2 制作行人数据集
        4.1.3 调整模型网络结构
        4.1.4 模型的训练与测试
        4.1.5 压缩模型
    4.2 行人追踪算法
        4.2.1 行人追踪算法设计
        4.2.2 行人追踪算法实现
    4.3 行人重识别算法
        4.3.1 行人重识别算法设计
        4.3.2 模型网络结构
        4.3.3 模型的训练与测试
    4.4 统计系统及数据库模块的实现
第5章 行人检测、追踪与统计系统的测试
    5.1 系统硬件环境
    5.2 系统功能测试
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
作者简历及攻读学位期间发表的学术论文与研究成果



本文编号：3733465