推荐星级：
- 1
- 2
- 3
- 4
- 5
基于Movidius神经计算棒的行人检测方法
资料介绍
Movidius神经计算棒是基于USB模式的深度学习推理工具和独立的人工智能加速器,为广泛的移动和嵌入式视觉设备提供专用深度神经网络加速功能。针对深度学习的嵌入式应用,实现了一种基于Movidius神经计算棒的近实时行人目标检测方法。首先,通过改进Refine Det目标检测网络结构使模型大小和计算适应嵌入式设备的要求;然后,在行人检测数据集上对模型进行重训练,并部署于搭载Movidius神经计算棒的树莓派上;最后,在实际环境中对模型进行测试,算法达到了平均每秒4帧的处理速度。实验结果表明,基于Movidius神经计算棒,在计算资源紧张的树莓派上可完成近实时的行人检测任务。
部分文件列表
| 文件名 | 大小 |
| 基于Movidius神经计算棒的行人检测方法.pdf | 1M |
部分页面预览
（完整内容请下载后查看）Journal of Computer Applications
，2019，39( 8) : 2230 － 2234
计算机应用
ISSN 1001-9081
CODEN JYIIDU
2019-08-10
http: / /www． joca． cn
: 1001-9081( 2019) 08-2230-05
doi: 10． 11772 /j． issn． 1001-9081． 2018122595
文章编号
Movidius
基于
神经计算棒的行人检测方法
*
， ， ，
张洋硕 苗 壮 王家宝 李 阳
(
，
陆军工程大学 指挥控制工程学院 南京
210007)
( * 17625944869@ 163． com)
通信作者电子邮箱
: Movidius
USB
，
摘
要
神经计算棒是基于
嵌入式视觉设备提供专用深度神经网络加速功能 针对深度学习的嵌入式应用 实现了一种基于
RefineDet
模式的深度学习推理工具和独立的人工智能加速器 为广泛的移动和
。
，
Movidius
神经计算
目标检测网络结构使模型大小和计算适应嵌入式设备的要
Movidius
。
，
棒的近实时行人目标检测方法 首先 通过改进
;
，
，
;
，
求 然后 在行人检测数据集上对模型进行重训练 并部署于搭载
神经计算棒的树莓派上 最后 在实际环境
， 4 。 ，
中对模型进行测试 算法达到了平均每秒 帧的处理速度 实验结果表明 基于
Movidius
，
神经计算棒 在计算资源紧
。
张的树莓派上可完成近实时的行人检测任务
:
;
;
; Movidius;
关键词 行人检测 深度学习 树莓派
嵌入式设备
: A
文献标志码
: TP183; TP391． 4
中图分类号
Pedestrian detection method based on Movidius neural computing stick
*
ZHANG Yangshuo ， MIAO Zhuang， WANG Jiabao， LI Yang
( College of Command and Control Engineering， Army Engineering University， Nanjing Jiangsu 210007， China)
Abstract: Movidius neural computing stick is a USB-based deep learning inference tool and a stand-alone artificial
intelligence accelerator that provides dedicated deep neural network acceleration for a wide range of mobile and embedded
vision devices． For the embedded application of deep learning， a near real-time pedestrian target detection method based on
Movidius neural computing stick was realized． Firstly， the model size and calculation were adapted to the requirements of the
embedded device by improving the RefineDet target detection network structure． Then， the model was retrained on the
pedestrian detection dataset and deployed on the Raspberry Pi equipped with Movidius neural computing stick． Finally， the
model was tested in the actual environment， and the algorithm achieved an average processing speed of 4 frames per second．
Experimental results show that based on Movidius neural computing stick， the near real-time pedestrian detection task can be
completed on the Raspberry Pi with limited computing resources．
Key words: pedestrian detection; deep learning; Raspberry Pi; Movidius; embedded device
( AdaBoost)
;
作为特征分类方法 但这些方法大多基于
分类器
0
引言
， ，
手工特征 刻画的是低层次信息 缺乏对行人高层次语义信息
，
行人检测是目标检测的重要分支 可用于多种不同领域
，
。 ， ，
的描述 近年来 随着深度学习技术的发展 深度神经网络已
、 。
如视频监控 人员识别和智能汽车驾驶系统 在现实生活中
，
。 ，
被广泛应用于行人检测任务 与传统方法不同的是 深度学
、 、 、
由于视频或图像中行人姿态 物体遮挡 服装 灯光变化和复
习通过深层卷积网络操作抽取图像的高级语义信息来描述行
，
杂背景的多样性 行人检测在计算机视觉中仍是一个具有挑
， 。 ，
人 具有更好的描述能力 与此同时 伴随计算机硬件性能的
［3］
， 。
不断提高 行人检测算法也在不断优化 郭爱心等 在更
。 ，
战性的任务 近年来 深度学习极大地推动了行人检测技术
， ; ，
的发展 在计算机视觉领域引起了广泛的关注 但是 深度学
、
快 更富有特征层次的卷积神经网络
( Faster Regions with
习中的行人检测模型在面向实际应用时还存在着诸多问题亟
Convolutional Neural Network feature，Faster R-CNN)
通用目标
［4］
，
检测框架 的基础上 针对行人特点提出了行人区域建议网
。
待解决
、
行人检测根据处理过程一般可以分解为生成候选窗口
; ，
络 针对小尺度行人特征信息不足 提出了多层次特征提取和
［5］
;
融合的方法 陈光喜等 通过设计一个网络与统一的实时监
。
特征提取和特征分类三个步骤 经典的行人检测方法通常使
［6］
，
网络 级联 解决
，
用基于滑动窗口的方法生成候选窗口 使用梯度方向直方图
YOLOv2( You Only look Once)
测目标检测
［1］
( Histogram of Oriented Gradients，HOG)
或尺度不变特征变
了复杂环境下行人检测不能同时满足高召回率与高效率检测
［2］
［7］
;
的问题 徐超等 提出一种改进的基于卷积神经网络的行人
( Scale-Invariant Feature Transform，SIFT)
，
作为特征 并使
换
( Support Vector Machine，SVM)
，
检测方法 使卷积神经网络能选择出更优模型并获得定位更
用支持向量机
或自适应集成
: 2019-01-02;
: 2019-04-02;
: 2019-04-03。
:
基金项目 国家自然科学基金资助项目
( 61806220) 。
收稿日期
修回日期
录用日期
:
作者简介 张洋硕
( 1995—) ， ， ， ， : 、
男 河南三门峡人 硕士研究生 主要研究方向 计算机视觉 目标检测
;
( 1976—) ， ， ，
苗壮 男 辽宁辽阳人 副教
， ， :
授 博士 主要研究方向 人工智能
;
( 1985—) ， ， ， ， ， : 、
男 安徽肥西人 讲师 博士 主要研究方向 模式识别 图像检索
;
( 1984—) ， ，
李阳 男
王家宝
， ， ， : 、
河北廊坊人 讲师 博士 主要研究方向 机器视觉 机器学习
。
2231
8
:
张洋硕等 基于
Movidius
神经计算棒的行人检测方法
第
期
［8］
; Hosang
SquaresChnFtrs
。
转化为目标检测模块特征 目标检测模块用于将输入的多层
准确的检测框
等
使用
方法生成行
［9］
［10］
AlexNet
; Zhang
。
特征进行进一步的回归和预测多分类标签
人候选窗口并训练
进行行人检测
等
使用
来计算行人
以执行样本重新加权来对
［4］
［15］
( Region Proposal Network，RPN)
MobileNet
conv11、conv13
区域提议网络
网络架构采用
中的
并在后
个特征层作为特
征抽取层 以获得不同尺寸的特征 提取特征后进行融合操
Conv15_2
［11］
Boosted Forest
Conv14_2，Conv15_2， 4
候选区域和级联
面增加两个卷积层
共
［12］
［13］
; Li
Fast R-CNN
，
。
候选区域进行分类
等
训练多个基于
的
，
网络来检测不同尺度的行人 并结合所有网络的结果以产生
，
作 首先是
特征层经过一个传递连接模块得到对应
( P6) ，
接着基于
Conv14_2
的矩形块经过传递
。 ，
最终结果 虽然上述工作对行人检测进行很多探索 但是在
大小的矩形块
( P5) ，
此处的传递连接模块
， 、
面对实际应用时 卷积网络模型还存在着模型大小 计算耗时
连接模块得到对应大小的矩形块
P6
，
增加了反卷积支路 反卷积支路的输入来自于生成
。
相比
等方面的问题
P6
。P4 P3 P5
和 的生成与
。
同理
Movidius
的中间层输出
本文将行人检测算法放在搭载
( Neural Computational Stick，NCS)
神经计算棒
， ，
整体来看 一个子模块提取粗粒度的边界框信息 另一个
，
的树莓派上 来实现行人
， ，
子模块进行细粒度的分类任务 因此能有更高的准确率 而且
。 ，
的快速检测 树莓派是一种计算资源紧张的设备 因此本文
［14］
，
采用了特征融合 该算法对于小目标物体的检测更有效
。
RefineDet
，
采用深度可分卷积对高精度的
网络 进行改进
构建轻量级卷积神经网络 该网络在选定的嵌入式视觉设备
( Raspberry PI 3 /s( Frames
1． 2
。
网络结构
网络的输入图像尺寸为
Conv0
320 × 320，
1
描绘了每层的网
)
4
表
板 上的平均处理速度达到
帧
［15］
，
Conv13
MobileNet
与
Per Second，FPS) 。
，
考虑到有限的计算能力 它符合设计目
络结构滤波器大小 其中
至
中
。 ， 4
结构相同 为了处理不同尺寸的物体 总共提取 层特征用
。
，
因此 实时行人检测任务可以通过仅执行
4 FPS
标
的检测
，
1
Conv11、Conv13、Conv14_2、Conv15_2
。
作检测 即表 中名称为
20 × 20、10 × 10、5 × 5、3 × 3。
每个特征
算法来完成
本文的主要工作如下
1)
，
:
的特征层 尺寸分别是
，
层与不同尺度的锚框相匹配 其中不同层次的锚框采用单发
，
RefineDet
针对移动和嵌入式视觉设备的智能监控 对
［16］
( Single Shot multibox Detector，SSD)
，
检测网络进行改进 构建一种轻量级卷积神经网络
;
多框目标检测器
三种
。
纵横比设计
2) Movidius
使用该网络在资源受限的搭载
神经计算棒
3 ，
的树莓派 上运行 以实现嵌入式设备的实时行人检测
。
1
表
每层的网络结构滤波器大小
Tab． 1 Network structure filter size of each layer
1
改进的行人检测网络
/
类型 步长
名称
滤波器大小
输入大小
1． 1
行人检测网络框架
为了提高嵌入式视觉设备上运行目标检测模型的效率
Conv dw /s1
Conv/s1
3 × 3 × 512 dw
3 × 3 × 512 dw
1 × 1 × 512 × 512
20 × 20 × 512
Conv11
1 × 1 × 512 × 512
3 × 3 × 512 dw
，
Conv dw /s2
Conv/s1
RefineDet，
引入高效的深度可分卷积操
本文基于高精度的
Conv12
1 × 1 × 512 × 1 024
3 × 3 × 1 024 dw
10 × 10 × 512
［15］
，
作 采用类似
MobileNet
，
结构来构建骨干网络 改进后的
Conv dw /s1
Conv/s1
10 × 10 × 1 024
Conv13
L-RefineDet
1
网络架构如图 所示
。
1 × 1 × 1 024 × 1 024 10 × 10 × 1 024
Conv14_1
Conv14_2
Conv15_1
Conv15_2
Conv/s1
1 × 1 × 1 024 × 256
3 × 3 × 256 × 512
1 × 1 × 512 × 128
3 × 3 × 128 × 256
10 × 10 × 256
5 × 5 × 256
5 × 5 × 512
5 × 5 × 128
Conv/s2
Conv/s1
Conv/s2
:
注 标注
dw
，
表示为深度卷积层 未标注表示为标准卷积层
。
， 、
为了增强模型的鲁棒性 模型训练时采用了随机扩展 裁
。 ，
剪和翻转等数据增强策略 在匹配步骤后 大多数锚框是负
， ，
面的 为了缓解正负样本不平衡问题 网络的正负样本界定的
，
标准基本上和其他目标检测算法类似 和真实的标注的交并
( Intersection-over-Union，IoU) 0． 5
的边界框为正
比
超过阈值
， ，
样本 负样本是根据边界框的分类损失来选的 对分类损失进
1
RefineDet
网络结构
图
改进的
，
行降序排列 按照正负样本
1 ∶ 3
的比例选择损失靠前的
Fig． 1 Improved RefineDet network structure
。
负样本
1． 3
: 、
该网络架构主要包含三个部分 锚框细化模块 传递连接
深度可分卷积
。
模块和目标检测模块 锚框细化模块主要用来得到粗粒度的
［15］
，
改进网络架构中的关键是深度可分卷积
因为它极大
，
边界框信息和去除一些负样本 只对物体进行初步的分类和
， 。
地降低了算法的复杂度 适用于嵌入式设备的应用 深度可
， ;
回归 且分类只区分前景和背景 传递连接模块是用于特征转
［2］
:
分卷积 通过将每个常规卷积层分成两部分 深度卷积层
。 ，
换操作 对高层次的特征进行反卷积操作 使得特征图之间
( depthwise convolution) ( pointwise convolution) ，
和逐点卷积层
，
使计算复杂度更适合于的移动智能设备 其体系结构如图
， ，
的尺寸匹配 然后与低层次的特征相加 使锚框细化模块特征
2
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏10.00元 2天前
-
21ic小能手 打赏10.00元 2天前
-
cai0603 打赏3.00元 3天前
用户：CJQ_ENJOY
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
cai0603 打赏3.00元 3天前
用户：dongshao
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：gsy幸运
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏310.00元 3天前
用户：小猫做电路
-
21ic下载 打赏310.00元 3天前
用户：liqiang9090
-
21ic下载 打赏270.00元 3天前
用户：kk1957135547
-
21ic下载 打赏160.00元 3天前
用户：w178191520
-
21ic下载 打赏160.00元 3天前
用户：w1966891335
-
21ic下载 打赏50.00元 3天前
用户：w993263495
-
21ic下载 打赏40.00元 3天前
用户：w993263495
-
21ic下载 打赏90.00元 3天前
用户：cooldog123pp
-
21ic下载 打赏30.00元 3天前
用户：sun2152
-
21ic下载 打赏40.00元 3天前
用户：xzxbybd
-
21ic下载 打赏40.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏30.00元 3天前
用户：happypcb
-
21ic下载 打赏50.00元 3天前
用户：forgot
-
21ic下载 打赏10.00元 3天前
用户：xuzhen1
-
21ic下载 打赏20.00元 3天前
用户：wanglu6666
-
21ic下载 打赏5.00元 3天前
用户：人间留客
-
21ic下载 打赏5.00元 3天前
用户：jyxjiyixing
-
21ic下载 打赏5.00元 3天前
用户：akae_du
-
21ic下载 打赏5.00元 3天前
用户：ouyang_56
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
xlhtracy 打赏10.00元 3天前
-
xlhtracy 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
xlhtracy 打赏5.00元 3天前
-
czmhcy 打赏1.00元 3天前
资料：bitboy
全部评论(0)