|
设计（研究）主要内容及方案：
一、在上世纪90年代，LeCun 等人将基于梯度的学习算法引入卷积神经网络并在手写 数字分类任务上取得了优异的结果。之后卷积神经网络被不断改进，应用于许多识别任务中。卷积神经网络具有多种优势，类似于人类的视觉处理系统，在处理二维和三维图片时其结构能够高度优化，在学习和提取特征方面非常有效。下图1显示了卷积神经网络的总体框架，包括特征提取器和分类器。在特征提取层中，网络的每一层都将上一层的输出作为输入，并将其输出作为输入传递到下一层。卷积神经网络结构由三类类型的组合组成：卷积、最大池化和分类。在浅层和中 层网络中有两种类型的层：卷积层和最大池化层。偶数层用于卷积，奇数层用于最大池化操作。卷积层和最大池化层的输出节点被分组为特征映射的二维平面。卷积层的每个节点都通过对输入节点进行卷积操作从输入图像中提取特征。
图 1
二、 本文通过对卷积神经网络的研究和分析，并结合其在单目标跟踪过程中的特点对其进行了设计，能挖掘数据局部特征，提取全局训练特征和分类，其权值共享结构网络使之更类似于生物神经网络，在模式识别各个领域都得到成功应用。CNN 通过结合人脸图像空间的局部感知区域、共享权重、在空间或时间上的降采样来充分利用数据本身包含的局部性等特征，优化模型结构，保证一定的位移不变性。由于人脸的特征根据区域不同可以分层不同的类别，如整体特征和点特征等，所以提取方法也有多种不同类型，如基于统计的方法，或基于先验规则的方法等。采用特征检测器的方法是当前得到广泛使用的一种方法，能够将目标信息进行转采用HaarCascade特征检测器进行人脸识别，框出人脸。通过Edge Impulse 网站在线训练神经网络模型，将TensorFlow Lite网络部署OpenMV中。
三、硬件系统设计，主要基于小车模型，设计目标跟踪平台，主要包括OpenMV摄像头模块设计、舵机云台模块设计、电机驱动电路模块设计、小车平台模块设计。分别设计各个模块电路原理，硬件电路设计，最后进行硬件测试。
图 2
四、软件设计。主要包括基于深度学习的算法程序、目标预处理、目标模板匹配、PID电机控制等内容设计。基于深度学习的目标识别，主要是通过第二章训练神经网络，进行图像模型匹配，匹配后目标中心点位拾取，根据目标偏离位置，控制PWM信号，显现电机控制。
|
