基于YOLO的复杂场景下机器人多目标的检测与测量

目录

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 轮式移动机器人与ROS

1.2.2 视觉目标检测研究现状

1.2.3 双目测距系统研究现状

1.3 论文主要研究内容及结构安排

2 基于深度学习的目标检测算法研究

2.1 深度学习相关概述

2.1.1 人工神经网络

2.1.2 深度学习与人工神经网络

2.2 卷积神经网络

2.2.1 卷积神经网络结构

2.2.2 卷积层与池化层

2.2.3 全连接层

2.2.4 激活函数

2.2.5 代价函数

2.3 目标检测模型YOLO算法的原理及演变

2.3.1 YOLO概述

2.3.2 YOLO网络结构

2.3.3 YOLO损失函数

2.3.4 YOLO的发展与演变

2.4 本章小结

3 基于YOLO改进的轻量级目标检测算法

3.1 基于深度可分离卷积的改进型轻量级目标检测网络MYOLO

3.1.1 基于深度可分离卷积的特征提取网络

3.1.2 优化的多尺度预测网络

3.1.3 实验及结果分析

3.2 基于“删减”思想的改进型轻量级目标检测网络YOLO-mini

3.2.1 YOLOv3-tiny到YOLO-mini的演化

3.2.2 演化的实验过程

3.2.3 效果对比

3.3 Jetson TX2运行各模型效果对比

3.4本章小结

4 基于双目立体视觉的目标测距研究

4.1 双目立体视觉测距原理

4.1.1 相机成像几何模型

4.1.2 坐标系及其转换关系

4.1.3 镜头畸变

4.1.4 双目视觉测距数学原理

4.2 双目视觉的标定

4.2.1 标定的意义及标定参数

4.2.2 基于MATLAB标定工具箱的双目相机标定实验

4.3 双目相机立体校正

4.4 双目立体匹配

4.4.1 立体匹配算法概述

4.4.2 匹配代价计算

4.4.3 立体匹配获取视差图

4.5 本章小结

5 目标检测与测量实验

5.1系统总体设计

5.2系统硬件开发平台

5.2.1双目摄像头的选取

5.2.2 硬件计算平台

5.3 系统软件开发平台

5.3.1 深度学习框架的选取

5.3.2 双目测距软件开发平台

5.3.3 机器人操作系统ROS的实现及通信机制

5.4 室内多目标检测识别实验

5.4.1 室内物品数据集

5.4.2 性能评估标准

5.4.3 训练及效果测试

5.5双目立体视觉测距实验

5.6 多目标检测及测量系统实现及便携化移植

5.7本章小结

6 论文结论与展望

6.1 结论

6.2 展望

参考文献

致谢

攻读学位期间发表学术论文目录

声明