论文部分内容阅读
近年来,图像识别、目标检测等领域快速发展,并成功应用到很多相关产业中去。目标检测主要研究内容是从一些静态的图片中判断出一个物体,并识别出该物体的类别信息。它运用了很多如图像处理、模式识别和机器学习等技术,旨在如何提高对图片的识别率和识别的效率。由于图像中相关信息的复杂多变,造成了目标检测算法并不能达到如期的效果。所以,目标检测算法研究是一个充满机遇和挑战的学科。本文首先针对目标检测的基本原理进行了简要分析。简单分析了目标检测技术的重难点以及算法研究的意义,阐述目标检测国内外研究现状,简要分析目标检测的基本步骤,以及传统的一些目标检测方法。然后介绍深度学习的起源和发展,深度学习中卷积神经网络的概念和作用,介绍一些主流的深度学习框架。为了解决传统目标检测算法效率过低的情况,本文设计了一种基于区域生成的深度学习目标检测方法。该方法分为三步:(1)设计边缘检测算法来预先处理需要检测的图像;(2)通过设计基于卷积神经网络提取区域特征;(3)对提取的特征使用Adaboost加SVM双重的级联分类器来进行分类。为验证本文所提出算法的准确性,在Pascal voc2007数据集和Pascal voc2012数据集上进行目标检测测试实验。实验验证本文提出的基于区域的目标检测算法可以在voc2007数据集上达到54.9%的mAP值,在voc2012数据集上达到49.9%的mAP值。针对YOLO实时检测方法,由于网络的深度过深而引起的训练更加艰难,导致检测效率降低的情况。本文采用了 ResNet残差学习原理,结合含有24个卷积层的GoogleNet网络,设计实现了实时的目标检测方法Re-YOLO,提高深度网络的识别精度。最后进行实验验证,本文所提出的基于残差学习的Re-YOLO检测方法在Pascal voc2007数据集上测试可达到63.2%的mAP值,在Pascal voc2012数据集上测试可达到61.3%的mAP值。