1. 研究目的与意义（文献综述）

随着计算机视觉技术的发展，越来越多的图像识别技术应用在实际的生活中。然而传统算法在性能和效率上远不能满足未来应用。计算机视觉领域拥有众多分支，图像目标检测技术则是其中非常重要的一种。其旨在利用计算机对图像进行处理、分析和理解，从而在各种不同模式下识别出目标和对象的技术。随着图像采集设备的普及化及互联网科技的高速发展，被采集到的图片数据量呈指数型增长。大量优质的图像数据推动了图像识别各类课题的快速发展，如目标检测，图像分类，目标匹配等。为了让计算机掌握智能分析和处理图像，并基于这些图像提取出相对有价值的信息的技能，从而衍生出多种拥有潜在的实际应用价值的课题。例如比较常见的行人检测、车辆车牌检测等。因此，图像识别中的目标检测技术对于计算机视觉领域的发展和实际应用方面都具有重大意义。在实际的识别场景中，最主要的影响因素是目标和背景的变化。在一些复杂场景中，传统的目标检测方法一直无法有效地应对弱小目标或遮挡目标等情况，在实际的应用中也无法满足要求，因此无数的科研人员一直想另辟蹊径，探索新的解决方案去攻克传统目标检测中的难点问题。

近年来，人们对于深度学习的提出和不断高涨的研究热情，使其已成为当今人工智能领域中最热门的话题。深度学习凭借其自我学习、模型表达能力强等优点，已经在对于人脸识别、行人检测等这类稍显复杂的问题上取得了有效的成果。深度学习领域主要研究的是探索含有深层网络的建模与自主的学习问题。这种“深度神经网络”由于在信息处理方式上更加接近于人脑，因而被寄希望能够更为有效地去解决某些复杂的智能问题。从理论上来说，当有足够多的训练样本，深度学习的网络可以训练得成具有很强表达能力的特征，该特征对于目标和行为的识别具有较好的效果。深度学习的主要研究对象是多层网络，其中研究较多也较为成熟的是卷积神经网络(cnn)。20世纪60年代，hubel和wiesel通过研究猫脑皮层中的神经元，发现了一种特殊的网络结构能有效降低反馈神经网络的复杂度，继而提出了卷积神经网络这一模型。深度学习中的卷积神经网络方法，采用了局部感知、共享权值和下采样的方式，能够有效的应对位移、缩放和扭曲所带来的噪声干扰。目前，cnn己经发展成一种高效且成熟的图像识别算法，其应用也越来越广泛，例如行人检测、人脸识别、医学图像的识别和车辆车型车牌识别等方面。

近几年，基于区域的卷积神经网络方法(rcnn)用于目标检测任务中，提升物体检测效果明显，该方法为研究人员提供了新的思路。基于区域的卷积神经网络方法最先由 girshick 等人在研究目标检测任务时提出(对应模型为 rcnn 模型)，其思想是先用选择搜索(selective search)、edgeboxes等工具从图片上获取多个兴趣区域，然后将兴趣区域输入卷积神经网络，由网络提取其深度特征并用于分类，其中兴趣区域为检测的位置信息。之后相继出现了速度更快检测准确率更高的目标检测方法 fast rcnn和faster rcnn。

2. 研究的基本内容与方案

本毕业设计基于深度学习的faster r-cnn算法应用于图像和视频中出现的多个目标的检测，同时对比rcnn，sppnet和fast-rcnn算法的优势，拟提出了针对多个类似场景的目标检测算法改进方案，使其能更准确更快速地识别同场景中相类似的小物体。

本此毕设以深度神经网络模型理论为基础，搭建目标检测算法布局在普通pc上，搭载ubuntu 18.04系统，接着安装依赖python2.7的tensorflow cpu版本的语言环境包搭建并训练自己的神经网络模型如图2所示。再训练成熟后，将开源faster-rcnn目标检测框架部署在系统中，以2018年dac的计算机系统竞赛的数据集为训练对象，运行分析并和其他目标检测算法进行准确度和速度方面的比较。

在对算法提出改进的前提下，对模型和硬件各方面进行改进。拟对环境目标检测算法的嵌入式移植进行可行性分析，设计并实现目标检测算法的嵌入式移植，进行测试分析。主要针对基于 yolov2的目标检测算法在nvidia jetsontx2嵌入式开发平台上的实现进行设计。如图3所示，为本毕设目标检测算法在 tx2 嵌入式平台实现时所采用的整体架构：

3. 研究计划与安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料翻译，学习python语法，搭建熟悉开发环境。

第6－9周：搭建faster r-cnn网络并训练自己的图片集。

4. 参考文献（12篇以上）

[1]侯冰基,杨明辉,孙晓玮.基于改进faster rcnn的毫米波图像实时目标检测[j/ol].激光与光电子学进展:1-10[2019-03-10].http://kns.cnki.net/kcms/detail/31.1690.tn.20190225.0929.004.html.

[2]张汇,杜煜,宁淑荣,张永华,杨硕,杜晨.基于faster rcnn的行人检测方法[j].传感器与微系统,2019,38(02):147-149 153.

[3]张金,冯涛.基于改进的faster rcnn的手势识别[j].信息通信,2019(01):44-46.