基于卷积神经网络的障碍物识别系统设计
盲人及视觉障碍者作为弱势群体,在生活中往往会遇到许多常人无法想象的
困难。目前盲人出行主要依靠传统的导盲方式,然而城市中的盲道大多由于规划
或人为因素存在一定的安全隐患,盲杖的探测范围有限,难以发现悬空突出的危
险物体,导盲犬的训练周期长、成本高。
这些传统方式具有科技含量低、功能简单、探测局限的缺点,为了使盲人安
全、便捷的出行,本文针对智能导盲系统展开了研究。由于传统的机器学习算法
需要手工提取大量的特征,训练费时费力,难以满足对目标的实时性检测。
随着深度学习技术的发展,卷积神经网络在图像分类等领域展示了其强大的
特征学习能力,故本文设计了一种基于卷积神经网络的障碍物识别系统,该研究
课题也同样适用于无人驾驶等领域。考虑到系统的导盲功能,本课题涉及了图像
处理、计算机视觉、语音合成、TCP/IP 通信等技术,研究思路为将双目测距算法
与卷积神经网络结合,设计出具有分类、测距功能的障碍物识别系统。
本文的主要工作内容如下:首先详细介绍了传统目标检测算法和基于卷积神
经网络的目标检测算法原理,分析了传统目标检测算法的缺点,并对几种基于卷
积神经网络的主流检测算法进行实验对比和分析,选择了效果相对较好的
YOLOv3 算法为障碍物识别系统的基础网络。针对 YOLOv3 在夜间检测任务中漏检
和误检较大的问题,在网络数据读取层后增加了基于 MSRCR(带色彩恢复的多尺
度视网膜增强)算法的数据增广层。
网络在 VOC2007 和 VOC2012 混合的数据集上预训练,获得初始化权重后,在障
碍物数据集上进行微调,采用多尺度训练得到识别模型,并与几种主流目标检测
算法在自制障碍物数据集上进行对比实验。实验结果显示,在夜间检测任务中本