论文部分内容阅读
行人检测一直是计算机视觉领域的重要研究课题,无人驾驶、机器人导航、安防、智能交通等领域都需要实时准确的行人检测系统。由于可见光图像在不良照明条件下的成像缺陷,基于热成像原理的远红外图像成为基于视觉方法进行全天候行人检测的重要手段。近年以来,随着深度学习技术在计算机视觉领域的崛起,采用卷积神经网络进行行人检测的研究引起了众多学者的热切关注,并在一些细分领域取得了卓越表现。大规模的样本数据对于深度学习的效果是至关重要,但可用的已标注红外数据远少于常见的可见光数据,现行的红外行人检测方法大多先行在ImageNet数据集上预训练分类模型,随后再于红外数据集上进行检测任务的调优。但远红外的图像为单通道灰度图像,成像细节也与可见光图像迥异,加之分类模型转向检测任务的迁移学习瓶颈,这些因素极大的影响了神经网络训练结果,限制了红外行人检测系统的准确率。在实际应用中,规模更大、复杂度更高的神经网络模型已经被证实更有效,并在产品中有广泛的使用,这同时也产生了对计算能力、存储带宽的更大要求和消耗。在边缘计算场景中亟待优化。本论文主要研究工作如下:1、提出了一种基于深度监督学习的行人检测算法。在网络的骨干子网络和后端预测生成子网络中添加密集残差连接,提升网络各层间的信息流动和特征重用。使得行人检测网络可不基于可见光图像预训练模型,直接在红外数据集从零开始训练,且检测精度更高。2、针对目标检测和定位任务优化特征提取过程,在预测生成子网络中以深度可分离卷积替代传统卷积,并选用大分辨率特征图,提高了大目标的检测精度,降低了小目标的漏检率,且网络模型大小和运算开销不增反降。3、在单指令多数据流架构上对行人检测算法进行计算优化。结合硬件平台的微结构特征和相关参数制定优化策略,对核心算子深度可分离卷积进行了改写优化。采取了数据布局变换和循环重排、寄存器分块、缓存分块等措施,编写对向量化和缓存友好的代码。优化后的核心算子实际运行时间显著减少,使得本设计的目标检测网络可在终端硬件平台实现实时运行。