基于深度學習的目標檢測算法研究及應用.pdf

1、目標檢測是計算機視覺領域中一個富有挑戰(zhàn)性的課題，其主要目的是從靜態(tài)圖片或視頻中檢測并定位特定的目標。它綜合運用了圖像處理、模式識別、人工智能和自動控制等技術，在道路交通事故預防、工廠可疑危險品警告、軍事禁區(qū)監(jiān)控、高級人機交互等方面有著廣泛的應用。由于目標所處環(huán)境復雜多變，目前還沒有一種比較通用成熟的檢測方法，在實際應用中目標檢測算法研究的機遇與挑戰(zhàn)并存。
　　本論文首先分析了國內(nèi)外目標檢測算法的研究現(xiàn)狀，著重介紹了當前應用較為廣泛

2、的方法，使用目標特征訓練分類器進行目標分類檢測。針對使用現(xiàn)有特征訓練的分類器進行目標分類檢測時存在誤檢率較高的缺點，本文在深度學習的基礎上提出了一種基于卷積神經(jīng)網(wǎng)絡的行人目標檢測算法。為了解決直接使用卷積神經(jīng)網(wǎng)絡進行滑動窗口檢測效率較低的問題，本文將算法分為兩大步驟：(1)疑似存在行人窗口確認;(2)行人檢測。在疑似存在行人窗口確認中，本文使用融合特征作為行人的描述特征訓練分類器，采用了鄰近尺度特征值相似的思想構建分類器金字塔，在待檢圖

3、像上利用不同尺度的滑動窗口進行滑動遍歷確定疑是存在行人窗口；在行人檢測中，使用大量正負樣本訓練了一個卷積神經(jīng)網(wǎng)絡，為了更好的適應行人檢測，將該卷積神經(jīng)網(wǎng)絡的拓撲結構進行改進。將疑似存在行人的窗口輸入改進后的卷積神經(jīng)網(wǎng)絡進行行人檢測，在保持原有的檢測率的基礎下降低了誤檢率。
　　為了驗證本文所提出算法的準確性，在INRIA行人數(shù)據(jù)庫進行行人檢測實驗。分別以每個窗口和每幅圖像為檢測單位，統(tǒng)計本文算法的檢測率和誤檢率，在平均每幅圖像存在