基于深度学习框架的地面移动目标追踪系统

摘要

近年来，深度学习与神经网络由于其在图像处理中具有很好的表现力，有越来越多的人投入到深度学习的研究当中，并在多方面尝试应用以解决实际问题。 全国大学生RoboMasters机器人竞赛是近几年兴起的热门机器人对抗类竞赛，比赛双方采用多种地面和空中机器人互相攻击形式进行，要求双方机器人具有自主检测、跟踪并精确攻击对方机器人的能力。本课题以RoboMasters机器人竞赛为背景，重点研究基于深度学习框架的视觉图像检测和跟踪技术理论和应用实现，完成RoboMasters机器人自主目标检测与跟踪系统的搭建、调试和测试。 本课题主要从深度学习框架下的数据集建立、数据集处理、网络建立与测试、目标检测与跟踪系统的搭建四个方面进行研究，具体包括如下工作内容: 首先，针对明确的跟踪目标建立数据集。针对传统labelImg数据集建立方法的不足，设计了一套自动标注算法，可以实现数据集的快速标注，相比于labelImg数据集建立方法，其标注速度得到很大的提升。 其次，对建好的数据集进行强化处理。先后研究图片裁剪、镜像、随机亮度、随机对比度和随机饱和度等多种处理方法，数据集中数据库的容量提升数十倍，有效避免神经网络过拟合的现象。 然后，进行基于Single Shot Multibox Detector(SSD)深度学习网络的目标分类和检测方法研究。在建立网络模型基础上，采用Pascal VOC2007数据集进行模型验证。分别使用查准率、查全率、F1和P-R曲线综合分析其分类效果，使用IoU和中心偏移率综合分析其位置检测效果，使用帧率来分析其运算速度。 接着，针对SSD网络运算速度慢的缺点，设计了一套快速SSD网络。网络使用深度可分离卷积替换普通卷积运算，使神经网络在运算速度上得到了极大的提升。 最后，设计地面目标自动检测和跟踪平台，平台以JetsonTX2和STM32为处理器和控制器，分别采用Ubuntu和ROS操作系统，在一定测试环境下，对建立的基于深度学习框架的目标检测和跟踪系统的实时性与准确率进行测试。