论文总字数：22440字

摘 要

在特定场景下，对特定的移动目标进行种类识别和实时跟踪的技术，对于工业环境的监控、交通系统的智能管理、安保系统的优化甚至是对于军事保密系统都具有比较深远的实际意义。智能小车在体积上、成本上具有非常大的优势，相较于搭载GPU芯片的PC机或者是Raspberry pi,Jetson Nano的图像处理能力的性价比较高，其搭载的嵌入式开发环境具有较高的实时性，两者的结合使之能够在狭小的空间内完成各种复杂的图像处理任务，并实时回传。图像传输技术的发展和机器视觉越发成熟的应用极大地推动了以智能小车作为核心的跟踪技术的研究进程。

本文是一项团队毕业设计，研究内容为设计一个可以实现对特定目标进行跟踪的智能避障小车，其中的主要研究方向有图像的传输、基于计算机视觉的自主避障功能设计与目标追踪功能设计三大子系统。本子系统研究的主要内容是利用YOLO算法实现对目标的边界框坐标和及所属类别概率的快速预测以达到实现自主避障和目标跟踪的功能。本设计所采用的YOLO算法的优点有三，一是速度非常快，二是相较于传统的Fast-R-CNN而言，减少了对背景的误判，三是YOLO可以学习到目标的最主要概括特征，具有普遍适应性。

关键词：智能小车 目标识别 YOLO 神经网络

Target feature recognition of image based on deep learning

Abstract

In certain scenarios, the technology of type identification and real-time tracking of specific moving targets has far-reaching practical significance for the monitoring of industrial environments, intelligent management of transportation systems, optimization of security systems, and even military security systems. The smart car has great advantages in terms of size and cost. Compared with the PC equipped with GPU chip or Raspberry pi, Jetson Nano's image processing capability is more cost-effective. Real-time, the combination of the two makes it possible to complete various complex image processing tasks in a small space and return them in real time. The development of image transmission technology and the increasingly mature application of machine vision have greatly promoted the research process of tracking technology with smart cars as the core.

This article is a team graduation project. The research content is to design an intelligent obstacle avoidance car that can track specific targets. The main research directions include image transmission, computer vision-based autonomous obstacle avoidance function design and target tracking function design. Three major subsystems. The main content of the research of this subsystem is to use the YOLO algorithm to realize the rapid prediction of the target's bounding box coordinates and the probability of the category to achieve the functions of autonomous obstacle avoidance and target tracking. The advantages of the YOLO algorithm used in this design are three, one is very fast, the second is that compared with the traditional Fast-R-CNN, it reduces the misjudgment of the background, and the third is that YOLO can learn the most important goal General characteristics, with universal adaptability.

Key Words: Smart car；Target Recognition；YOLO；Neural Networks

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 选题背景及意义 1

1.2 研究内容 1

1.3 论文结构安排 2

第二章 相关技术介绍 3

2.1 YOLO(You Only Look Once)实现快速目标检测 3

2.1.1 YOLO简介 3

2.1.2 YOLOv1卷积神经网络模型 3

2.1.3 YOLOv1到YOLOv3的演变过程 4

2.2 Darknet神经网络结构模型 7

2.2.1 概述 7

2.2.2 Darknet-53网络框架 8

2.3 本章小结 8

第三章 系统平台概述与搭建 9

3.1 硬件平台——Jetson Nano 9

3.2 远程开发环境——Jupyter Lab 10

3.3 本地开发环境搭建 11

3.4 本章小结 12

第四章 系统实现 13

4.1 YOLO算法实现 13

4.1.1 系统实现方法 13

4.1.2 各阶段算法分析 14

4.1.3 边界框优化方法 17

4.1.4 密集目标识别方法 20

4.2 Jetbot上的数据收集和训练 24

4.2.1 环境数据收集并建立数据集 25

4.2.2 VOC2012数据集 26

4.2.3 训练神经网络 27

4.2.4 训练结果 27

4.3 团队系统整合 29

4.4 系统性能评估 29

第五章 总结与展望 31

参考文献 32

致谢 34

第一章 绪论

1.1 选题背景及意义

几十年前，在计算机的数据处理能力尚未达到一定规模前，计算机视觉的发展十分受限。直到上世纪90年代，其研究的重心从精度以及鲁棒性要求都极高的工业控制领域转向类似远程视频、视频监控等对精度要求不高、容许较大范围误差的领域，计算机视觉这才从“低谷”走向“繁荣”。但随着计算机对数据的处理能力更迭速度的不断加快，其在工业领域甚至军工领域的应用也越来越广。智能移动机器人是计算机视觉研究的一大方向。一个名为Shakey的机器人于1972年诞生，它由斯坦福研究院的Nils Nilssen等人研发出来，为了研究在复杂场景下，智能系统的自主推理与控制能力。限于当时的计算机的运算速度，Shakey只能在大量收集环境数据之后，才能勉强进行自主规划，推理出一条路径，但即使是这样，延时也非常大，完全不能满足实时性的要求。当时的研究者定然无法想象半个世纪后的今天，甚至自动驾驶的普及也即将提上日程。现如今，智能机器人技术已然受到了社会各界的广泛关注，其应用领域也越发广泛，而其中的一个极其重要的方向——智能小车相比于其他应用领域更能贴近人们的生活，发展速度也最为迅猛。

1.2 研究内容

本团队毕业设计将智能小车对特定目标的识别与追踪作为研究内容，运用到了计算机视觉和无线图像传输技术。机器视觉的优势在于它不仅可以帮助小车识别目标物体，还能识别小车前进路线上的各种障碍物，自主规划前进路线，从而追踪目标物体。

本子系统研究的主要内容是利用YOLO（You Only Look Once）算法实现对目标的边界框坐标和及所属类别概率的快速预测。本设计所采用的YOLO算法最大优的点是速度极快，每秒可处理45帧，也能够理解一般的对象表示。

请支付后下载全文，论文总字数：22440字