基于深度学习的视觉感知方法研究.docVIP

基于深度学习的视觉感知方法研究 摘要：视觉感知在人类的信息获取和处理过程中扮演着极其重要的角色。视觉与听觉、嗅觉、味觉、触觉等共同构成了人类的感知系统，正是通过这个系统，人类得以在内在感受和外在客观物理世界之间建立联系。 对于移动机器人，视觉感知同样起着不可替代的作用。通常移动机器人只有先通过视觉感知等获得所在环境的映像并进行理解分析，才能进一步采取针对性的行动。为了实现移动机器人的导航、定位、跟踪等功能，本文研究了基于深度学习的视觉感知方法，移动机器人的视觉感知依据感知的信息粒度粗细可分为目标检测和语义分割两类基本视觉任务。 本文首先详细介绍了深度学习技术的发展，卷积神经网络的基础知识，以及基于深度学习在目标检测和语义分割两类计算机视觉基本问题上的研究方法和模型，并进行了相关实验验证与分析，最终在移动机器人上实现了实时目标检测，为针对移动机器人的进一步研究工作供了可靠条件。 关键词： 深度学习、目标检测、语义分割、移动机器人 第一章 绪论 1.1 研究背景 视觉感知是指通过视觉器官来认识客观事物，对于移动机器人来说，主要借助相机感知外部环境。在信息获取和处理过程中，视觉感知扮演着重要角色。随着计算机硬件水平的高和算法的进步，尤其是机器学习与深度学习取得突破性进展，涌现了越来越多的视觉感知方法，视觉感知研究也是当前一个重要的研究方向和热点问题。 最近几年，深度学习技术飞速发展，机器学习的各个研究方向包括计算机视觉都通过深度学习取得了较好的成绩。在计算机视觉的具体应用和研究中，实现商业化落地的具体应用领域不在少数，例如人脸识别，智能相机、无人驾驶等，国内外的众多研究机构和公司也加大人力财力投入，进一步促进了行业的发展。计算机视觉广泛应用在医疗、军事、安防、物流、零售等领域，但是目前大多数还是在起步发展阶段。 1.2 研究目的及意义 计算机视觉旨在识别和理解图片或者视频中的内容，获取高级、抽象的信息，并且一般认为任务视频理解要难于图片理解，因为视频理解还要获取上下文信息。视觉感知研究通常借助计算机来实现，包括图片分类，目标检测，语义分割，物体跟踪， 骨架识别等具体任务。 随着深度相机的普及，人们通过图片不仅仅能获得 RGB 信息，还可以获得更多的深度信息，例如距离信息等。对于视觉感知方法的研究即是研究如何充分利用图像信息获得更准确、更丰富的对图像的理解，这对于更深层次的与其他领域的研究的结合应用极为重要。例如应用在移动机器人上，通过对图像的理解可以指导机器人抓取指定物体、避开障碍物等。 1.3 目标检测 1.3.1 目标检测概述 目标检测(object detection)任务是计算机视觉领域的基本研究任务，可以细分成两个子任务分别是目标实例检测和目标类别检测。 目标实例检测需要在输入的图片中定位出能完整框住物体的最小的矩形，此类任 务并不需要知道框住目标的具体类别。目标实例检测在日常生活应用中非常广泛。例如，可以根据目标所在的位置裁剪图像，从而取出关键信息，用于图像识别、图像分类等。而目标类别检测即是根据输入图片确定图片中每个物体的类别，例如车辆检测，行人检测等。不同类别的物体可能在视觉上只有很微小的差异，并且受到拍摄图片时客观条件的影响。 总而言之，目标检测需要将输入图片中每个物体的类别标签和位置方框确定。 1.3.2 目标检测的研究现状 在广泛应用深度学习算法之前，传统视觉算法的一般流程是：图像预处理、特征工程和预测与识别，其中特征工程包括特征取，特征选择等。传统视觉识别方法把特征取和预测与识别隔离开来分别进行，需要人工设计特征，并选择合适的分类器算法，这非常依赖先验知识，并且分类效果很不好。 多尺度形变部件模型(deformable part model，简称 DPM)是传统目标检测方法中最常用的模型。传统的取特征的方法有：SIFT 方法(scale invariant feature transform，尺度不变特征转换)[1]，SURF 方法(speed up robust feature，加速稳健特征)[2]等。SIFT 方法选择在各类尺度空间上的极值点的作为特征点，这个极值点对于诸如尺度、亮度、旋转等的变化不太敏感，但是 SIFT 方法需要很大的计算量，实时性很差，对于具有光滑的边缘界限的目标很难准确取特征点。SURF 方法是对 SIFT 方法的改进，加速了特征 1.3.3 目标检测的挑战 当前目标检测的主要挑战体现在计算复杂度和鲁棒性上面，可以分别用快和准概括。计算复杂度主要体现在目标的数量、大小、特征不确定以及大量有标签数据的难以获取。现