基于卷積網(wǎng)絡(luò)的物體檢測(cè)應(yīng)用研究.pdf

1、提出一種基于卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)的行人檢測(cè)方法。改進(jìn)主要涉及兩個(gè)方面，包括如何決定CNN樣本迭代學(xué)習(xí)次數(shù)和如何進(jìn)行重合窗口的合并。第一，關(guān)于CNN樣本迭代次序問(wèn)題，在順序迭代訓(xùn)練多個(gè)CNN分類(lèi)模型的基礎(chǔ)上，提出一種基于校驗(yàn)集正確率及其在迭代系列分類(lèi)器中展現(xiàn)出的穩(wěn)定性并進(jìn)行更優(yōu)模型選擇的策略，以使最終選擇的分類(lèi)器推廣能力更優(yōu)。第二，提出了一種不同于非極大值抑制的多個(gè)精確定位回歸框合并機(jī)制。精確定位回歸框的獲取以CNN檢測(cè)過(guò)程輸出的粗定位框作為

2、輸入，然后對(duì)每個(gè)粗定位框應(yīng)用CNN精確定位過(guò)程并獲得對(duì)應(yīng)的精確定位回歸框，最后對(duì)多個(gè)精確定位回歸框進(jìn)行合并，合并過(guò)程考慮了每個(gè)精確定位回歸框的正確概率。更精確來(lái)說(shuō)，最終的合并窗口基于多個(gè)相關(guān)的精確定位回歸框的概率加權(quán)求和方式獲得。針對(duì)提出的兩個(gè)改進(jìn)，在國(guó)際上廣泛使用的行人檢測(cè)公共測(cè)試數(shù)據(jù)集ETH上進(jìn)行了一系列實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，提出的兩個(gè)改進(jìn)方法均能有效地提高系統(tǒng)的檢測(cè)性能，在相同的測(cè)試條件下，融合兩個(gè)改進(jìn)的方法相比Fast R-CNN

3、算法檢測(cè)性能提升了5.06％，達(dá)到了40.01％的檢測(cè)結(jié)果。
　　提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)型分類(lèi)方法，首先建立了十萬(wàn)數(shù)量級(jí)的不同車(chē)型不同場(chǎng)景的車(chē)型分類(lèi)數(shù)據(jù)庫(kù)，通過(guò)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，在其自定義測(cè)試集上進(jìn)行分類(lèi)器性能驗(yàn)證。實(shí)驗(yàn)過(guò)程中對(duì)樣本進(jìn)行了對(duì)齊和擴(kuò)邊界操作，對(duì)比了不同訓(xùn)練迭代次數(shù)產(chǎn)生的CNN分類(lèi)器，最終得到的CNN分類(lèi)器在車(chē)型分類(lèi)數(shù)據(jù)庫(kù)測(cè)試集上的平均正確率達(dá)到了95.49％。實(shí)驗(yàn)結(jié)果表明，本文提出的卷積神經(jīng)網(wǎng)