论文部分内容阅读
道路目标检测技术是智能交通中的关键性技术,其目的是根据道路监控图像检测相应的道路目标,而道路场景背景多样、目标繁杂。现今主要是通过大型服务器计算完成目标检测,但一套目标检测服务器价格昂贵。本文设计一种实时道路目标检测嵌入式平台,针对小的应用场景能够实现对于自行车、大巴、轿车、摩托车、行人的实时检测。本文的主要研究内容如下:(1)提出一种适用于嵌入式设备的轻量化深度学习网络。基于现有的YOLOv3算法存在的检测速度过慢和模型过大的问题,优化YOLOv3中的backbone网络以及不同空间分辨率特征融合模型,设计了实时目标检测MobileNetv1_yolov3lite_c2网络。该网络的运算速度相对于YOLOv3提升了3.64倍,模型检测精度相对于YOLOv3降低了10%左右。(2)对网络的检测精度的优化。基于LRM(loss rank mining)和label_smoothing的方法针对MobileNetv1_yolov3lite_c2网络算法的损失函数进行优化改进,引入mixup数据增广方法以及cosine学习率衰减方法优化训练过程,提升MobileNetv1_yolov3lite_c2网络检测精度。仿真实验表明MobileNetv1_yolov3lite_c2网络有3.02%的精度提升,在自建数据集上可达到77.87%的检测精度。(3)结合嵌入式设备nvidia jetson TX2的硬件特点和MySQL数据库,使用多线程的设计,实现道路目标检测算法的嵌入式应用。测试结果表明,MobileNetv1_yolov3lite_c2网络在TX2上实现了实时检测。本文提出了MobileNetv1_yolov3lite_c2网络,可在TX2嵌入式板上以26.67FPS的速度进行检测,并在自建数据集上可达到77.87%的检测精度。