姜立志，杨慕升，巩晓丹

（山东理工大学机械工程学院，山东 淄博 255000）

1 引言

机器人的目标识别[1]问题在机器人的智能化研究中有着十分重要的作用。目前幼儿园教师资源短缺、年轻父母工作繁忙，在生活中使用智能看护机器人是一种趋势，智能看护机器人通过获得的图像信息对儿童及周围环境目标进行精准定位，获得目标状态以确保儿童的安全。传统的目标检测方法主要利用手工设计的特征（如SHIFT、Haar、HOG）并结合分类器（如SVM、Adaboost），根据提取的特征进行分类得到检测结果。例如，文献[2]提出了利用HOG 特征和SVM 分类器相结合的行人检测方法，文献[3]提出的DPM 模型，用部件之间的关系来描述物体，对物体遮挡问题有很好的检测效果。近些年来，卷积神经网络（ConvolutionalNeuralNetwork，CNN）在机器人目标检测领域取得了重大进展，CNN 可以通过对图像进行卷积操作，自动学到有效的深层特征，从而提高目标检测的准确率。目前基于卷积神经网络的目标检测方法分为两种，一种是two stage 的目标检测算法，先由算法生成一系列作为样本的候选框，然后通过CNN 网络进行分类检测，比如RCNN（Region CNN）[4]，SPP-Net[5]，Fast-RCNN[6]，Faster-RCNN[7]等；另一种是one stage 的目标检测算法，直接将目标的定位问题转化成回归问题，比如YOLO（You Only Look Once）[8]，SSD（Single Shot Detector）[9]。对比发现，基于two stage 的方法检测精度高，但检测速度低，而one stage 的检测算法检测速度高却对小目标的检测效果差。结合实际情况，智能看护机器人在对室内的儿童进行检测时对速度有较高要求，因此选择实时性好的SSD 模型对目标进行检测。

智能看护机器人产品是嵌入式终端系统，硬件资源有限，没有像Titan X 这样高效的GPU，对于大型网络，如ResNet[10]等，并不利于部署在这种产品上。……