论文部分内容阅读
随着机动车保有量的逐年增长以及交通事故发生数的逐年增多,交通安全问题日益严重,辅助驾驶系统可以很好的解决这一问题。基于计算机视觉的交通对象检测是辅助驾驶系统的重要组成部分,研究交通对象检测算法具有深远意义。现阶段深度学习技术发展十分迅速,各种目标检测算法在高性能GPU的支持下检测速度和精度都达到很高的水平,但难以在资源有限的嵌入式平台实现。在这种前提下,本文研究并实现了用于车载受限环境下的轻量化交通对象检测系统,主要工作有以下几个方面:1.分析在车载嵌入式平台上进行交通对象检测的可行性,确定从算法和硬件两个方面着手来实现轻量化交通对象检测系统。算法上,精简和优化检测算法以减少运算量;硬件上,采用异构计算系统以提升计算能力。2.研究基于机器学习的目标检测算法和基于深度学习的目标检测算法,对比各种算法的优劣。选用SSD(Single Shot Multibox Detector)算法作为主要研究目标,由于SSD网络参数量很大,计算复杂度高,难以在嵌入式平台实现实时检测。本文使用MobilenetV1和MobilenetV2的思想对SSD算法进行了精简和优化,针对行人类目标对算法的默认框进行了设计。并在服务器上完成了算法的训练以及评估,对比实验证明使用MobilenetV1和MobilenetV2的思想对SSD网络能进行有效的精简。3.以ARM开发板和Inter神经计算棒为主体,设计并实现了一个基于嵌入式的轻量化交通对象检测系统。然后将精简后的SSD算法移植到所设计的轻量化交通对象检测系统上,并进行了仿真实验和实际道路测试,结果表明该系统能在车载受限环境中基本完成交通对象的实时检测。