基于移动机器人的目标检测方法研究
发布时间：2021-08-28 08:49
近年来移动机器人的功能日益强大,使得交通、医疗和工业等领域均得到受益。由于现实生活环境的复杂程度日益上升,移动机器人需要应对来自光照、遮挡和尺度大小等因素的干扰,以至于人类对移动机器人的性能要求也越来越高。为使移动机器人能够更好的理解所处环境且为后续移动提供判断依据,基于移动机器人的目标检测方法研究成为当前移动机器人的一大热门方向,其研究的主要问题是通过改进目标检测算法来提高移动机器人的检测效率与鲁棒性。为此对街景环境中移动机器人目标检测系统进行设计及研究。主要通过对移动机器人、深度学习和目标检测的技术发展路程进行研究与梳理,了解相关知识并对当前基于移动机器人的目标检测方法进行了课题研究意义与研究背景的分析。介绍和分析当前基于深度学习的单阶段目标检测代表算法YOLO与两阶段目标检测代表算法Faster R-CNN,通过对两种算法优缺点的考量,选取Faster R-CNN作为移动机器人目标检测系统的基本算法。其次,通过对两阶段目标检测算法Faster R-CNN的实现,针对其现阶段检测性能上的不足,做出相应改进,首先使用深层线性卷积神经网络充分提取目标特征;然后针对难检测的车辆目标,在区...
【文章来源】：北京建筑大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
反池化示意图
第2章基于深度学习的移动机器人目标检测算法研究11图2-3特征图对应原图示意图Fig.2-3Featuremapcorrespondingtotheoriginalimage2.2.1常用特征提取层FasterR-CNN在输入图片后，首先对于输入图片做基于卷积神经网络的特征表达，通常由简单的卷积层和池化层叠加组成，特征提取常用的卷积神经网络为ZF网络与VGG-16网络[40]。ZF网络是由RobFergus和MatthewZeiler设计并提出，其名称也来源于两位研究人员的名字缩写，该算法基于AlexNet进行了架构调整和超参数改变等策略，并在2012年的ILSVRC比赛中获胜。ZF网络利用网络可视化的技术展示出神经网络每层的输出，形象的解释了不同层的神经网络的具体作用，找到神经网络对网络性能的具体贡献，通过网络过程透明化来找到下一步优化和改进的方向。ZF网络代表性的改进是提出反池化过程，原本的池化过程是一个正向操作，通过记录在池化过程中最大值所处的位置信息，也就是坐标信息，经过反池化操作，只激活池化操作的最大值所在位置的数据，其他数据都设置为零，示意图如图2-4所示。图2-4反池化示意图Fig.2-4Schematicdiagramofanti-poolingVGG-16网络全称为视觉几何群网络（VisualGeometryGroupNetwork），是2014年
第2章基于深度学习的移动机器人目标检测算法研究12由牛津大学的Simonyan等人提出，该网络共有13个卷积层，4个池化层与3个全连接层，卷积层中卷积核的大小均为3×3，可以有效地提取输入图片的细小特征，卷积过程中使用SAME参数保证不改变特征图的大小，池化层采用2×2的滑动窗口，步长为2，保证了平移不变性，同时防止信息冗余，该网络的优点为局部连接且权值共享，降低计算量，其网络结构如图2-5所示。图2-5VGG-16网络结构示意图Fig.2-5VGG-16networkstructurediagram2.2.2RPN网络RPN网络用于提取车辆目标候选区域，是一种全卷积网络，与特征提取部分共享卷积层[41]，对特征提取层输出的特征图使用特有网络进行滑动得到带有目标得分的目标待选区域。RPN网络的输入为特征图的d个n×n空间区域，映射到d维向量；最后将低维向量输入两个全连接层，即候选区域分类层与候选区域框回归层，在每个滑动窗口位置中心对应原图预测k个目标区域建议框，所以对于每个位置，候选区域分类层有2k个输出，即属于前景和背景的概率，候选区域框回归层有4k个输出，即平移缩放参数，如图2-6所示。
【参考文献】：
期刊论文
[1]基于深度学习的场景识别方法综述[J]. 李新叶,朱婧,麻丽娜. 计算机工程与应用. 2020(05)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]移动机器人长期自主环境适应研究进展和展望[J]. 曹风魁,庄严,闫飞,杨奇峰,王伟. 自动化学报. 2020(02)
[4]面向实时应用的深度学习研究综述[J]. 张政馗,庞为光,谢文静,吕鸣松,王义. 软件学报. 2020(09)
[5]基于改进型YOLO算法的遥感图像舰船检测[J]. 王玺坤,姜宏旭,林珂玉. 北京航空航天大学学报. 2020(06)
[6]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[7]基于改进Mask RCNN和Kinect的服务机器人物品识别系统[J]. 石杰,周亚丽,张奇志. 仪器仪表学报. 2019(04)
[8]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[9]基于Faster RCNN和YOLO的交通场景下的车辆检测[J]. 徐亮,黄李波,白杰. 佳木斯大学学报(自然科学版). 2019(02)
[10]基于难分样本挖掘的快速区域卷积神经网络目标检测研究[J]. 张烨,许艇,冯定忠,蒋美仙,吴光华. 电子与信息学报. 2019(06)
本文编号：3368203
【文章来源】：北京建筑大学北京市
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
反池化示意图
第2章基于深度学习的移动机器人目标检测算法研究11图2-3特征图对应原图示意图Fig.2-3Featuremapcorrespondingtotheoriginalimage2.2.1常用特征提取层FasterR-CNN在输入图片后，首先对于输入图片做基于卷积神经网络的特征表达，通常由简单的卷积层和池化层叠加组成，特征提取常用的卷积神经网络为ZF网络与VGG-16网络[40]。ZF网络是由RobFergus和MatthewZeiler设计并提出，其名称也来源于两位研究人员的名字缩写，该算法基于AlexNet进行了架构调整和超参数改变等策略，并在2012年的ILSVRC比赛中获胜。ZF网络利用网络可视化的技术展示出神经网络每层的输出，形象的解释了不同层的神经网络的具体作用，找到神经网络对网络性能的具体贡献，通过网络过程透明化来找到下一步优化和改进的方向。ZF网络代表性的改进是提出反池化过程，原本的池化过程是一个正向操作，通过记录在池化过程中最大值所处的位置信息，也就是坐标信息，经过反池化操作，只激活池化操作的最大值所在位置的数据，其他数据都设置为零，示意图如图2-4所示。图2-4反池化示意图Fig.2-4Schematicdiagramofanti-poolingVGG-16网络全称为视觉几何群网络（VisualGeometryGroupNetwork），是2014年
第2章基于深度学习的移动机器人目标检测算法研究12由牛津大学的Simonyan等人提出，该网络共有13个卷积层，4个池化层与3个全连接层，卷积层中卷积核的大小均为3×3，可以有效地提取输入图片的细小特征，卷积过程中使用SAME参数保证不改变特征图的大小，池化层采用2×2的滑动窗口，步长为2，保证了平移不变性，同时防止信息冗余，该网络的优点为局部连接且权值共享，降低计算量，其网络结构如图2-5所示。图2-5VGG-16网络结构示意图Fig.2-5VGG-16networkstructurediagram2.2.2RPN网络RPN网络用于提取车辆目标候选区域，是一种全卷积网络，与特征提取部分共享卷积层[41]，对特征提取层输出的特征图使用特有网络进行滑动得到带有目标得分的目标待选区域。RPN网络的输入为特征图的d个n×n空间区域，映射到d维向量；最后将低维向量输入两个全连接层，即候选区域分类层与候选区域框回归层，在每个滑动窗口位置中心对应原图预测k个目标区域建议框，所以对于每个位置，候选区域分类层有2k个输出，即属于前景和背景的概率，候选区域框回归层有4k个输出，即平移缩放参数，如图2-6所示。
【参考文献】：
期刊论文
[1]基于深度学习的场景识别方法综述[J]. 李新叶,朱婧,麻丽娜. 计算机工程与应用. 2020(05)
[2]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[3]移动机器人长期自主环境适应研究进展和展望[J]. 曹风魁,庄严,闫飞,杨奇峰,王伟. 自动化学报. 2020(02)
[4]面向实时应用的深度学习研究综述[J]. 张政馗,庞为光,谢文静,吕鸣松,王义. 软件学报. 2020(09)
[5]基于改进型YOLO算法的遥感图像舰船检测[J]. 王玺坤,姜宏旭,林珂玉. 北京航空航天大学学报. 2020(06)
[6]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[7]基于改进Mask RCNN和Kinect的服务机器人物品识别系统[J]. 石杰,周亚丽,张奇志. 仪器仪表学报. 2019(04)
[8]改进的YOLO V3算法及其在小目标检测中的应用[J]. 鞠默然,罗海波,王仲博,何淼,常铮,惠斌. 光学学报. 2019(07)
[9]基于Faster RCNN和YOLO的交通场景下的车辆检测[J]. 徐亮,黄李波,白杰. 佳木斯大学学报(自然科学版). 2019(02)
[10]基于难分样本挖掘的快速区域卷积神经网络目标检测研究[J]. 张烨,许艇,冯定忠,蒋美仙,吴光华. 电子与信息学报. 2019(06)
本文编号：3368203
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3368203.html
