幼儿守护智能机器人在机器人智能化研究中有着十分重要的位置,在人们的日常工作和生活中有着广阔的应用前景。幼儿守护智能机器人的目标检测是通过获取图像信息来识别幼儿及其所处环境的一项技术,也是一个重要的研究方向。本文研究了幼儿守护智能机器人的目标检测技术,对检测的速度和精度进一步作了优化。传统的目标检测技术主要是利用手工设计的特征并与分类器相结合,根据提取的特征进行分类得出检测结果,而针对不同的问题往往需要设计特定的特征,这对设计者提出了较高要求。近年来,卷积神经网络在机器人的目标检测领域取得了重大进展,卷积神经网络可以通过对图像进行卷积操作,自动学到有效的深层特征,提高目标检测的准确率,而且对各种环境均有一定的鲁棒性。本文研究的具体内容如下:(1)在目标检测过程中,为保证采集到的图像的真实程度,需要进行相机标定。首先对相机的坐标系及各坐标系的转换进行研究,接着分析了相机的线性模型和非线性模型,并对其数学原理做了相关推导,最后对相机标定方法进行研究,本文选择张正友相机标定法进行相机标定,并在Matlab上进行实验获取相机的内外参数及畸变参数,为后续的目标检测打下坚实的基础。(2)本研究所用的目标检测算法为深度学习网络中的SSD模型。首先使用多个卷积层构建特征提取网络,用于提取输入数据的原始特征,然后利用卷积层构建区域提取网络来接收原始特征作为输入,接着,构建了分类与位置回归网络,在多层特征层上预测分类结果和边框位置信息。针对幼儿守护智能机器人硬件资源有限,检测速度太低的问题,本文选用轻量型分类网络MobileNet作为基础网络,不仅节约了硬件资源,而且检测速度提高了7倍;为了改进目标检测模型的定位精度问题,加入抑制样本类别不均衡的Focal Loss函数对原算法的损失函数进行改进。分别对改进前后的算法模型进行对比实验,实验表明,检测结果证实了改进后的目标定位网络对目标检测效果有较大提升。(3)最后设计了基于深度学习的幼儿守护智能机器人目标检测系统,对其硬件系统选择和软件系统设计做了研究。硬件部分主要由深度摄像头Kinect V2和嵌入式开发板Nvidia Jetson Tegra X2组成;软件部分则通过人机界面设计,实现了采集模块、模型选择模块、识别测试模块、结构输出与保存模块等各部分的功能,并通过实现验证目标检测系统的可行性。