论文部分内容阅读
目标检测作为智能安防、自动驾驶等应用的关键组成部分,一直备受研究人员的关注。随着嵌入式系统计算能力的提高,在机载系统上部署目标检测算法成为可能。无人机具有快速灵活的特点,结合目标检测技术,将会提高其在智能安防、军事等领域的应用价值。近年来,基于深度卷积神经网络的目标检测技术发展迅速,检测精度和速度都得到了提高。但是如何在保持精度的情况下,提高目标检测算法在机载系统的实时性仍是一个难题。同时,还要面临运动模糊、小目标等问题。针对以上问题,本论文从算法设计和工程实现两方面进行研究,尝试在RK3399嵌入式系统中设计并实现实时的特定目标检测方案。在算法设计方面:1.本文设计了轻量化网络PMNet(Pyramid of Multi-mixconv Network),与Mobile Net V3-large网络的比较,PMNet在Image Net2012数据集top-1精度仅损失0.6%的情况下,速度加快了7.3%。参数量降低了14.8%,相比于Res Net-153,降低了92.3%。并基于PMNet设计了能够同时检测人体和人脸的目标检测网络,利用人头标注信息和人脸五点标注信息以及数据增强、OHEM等方法对训练过程进行了优化,提高了检测精度。2.将注意力(attention)机制引入到本文的目标检测算法中,优化了损失函数,提高了召回率。含有注意力模块的FPN检测网络相比于普通的FPN检测网络,在Crowd Humam数据集上m AP由29.36%到34.14%提高了16.3%,在UAV123数据集上由77.14%到80.09%增加了3.8%。引入注意力机制后,本文基于PMNet的检测网络在Crowd Human数据集和UAV123数据集上检测精度分别由28.12%到31.56%提高了12.2%和由76.61%到79.45%提高了3.7%。在工程实现方面:3.使用权重量化技术,对本文基于PMNet的检测网络进行优化,设计并实现了基于机载嵌入式系统的检测方案,在RK3399嵌入式环境中平均延迟降低到35.4ms。在精度损失不大的情况下,实现了基本实时的目标检测系统。4.结合KCF目标跟踪算法,进一步提高整个系统的实时性。在精度损失不大的情况下,将本文检测方案的平均延时降低到了20ms以内。