论文部分内容阅读
目标检测任务一直与人们的日常生活息息相关,该任务在交通监控、医疗诊断、自动驾驶、图像检索等诸多领域有着广泛的应用。因此目标检测逐渐成为计算机视觉、图像处理领域的重点、热门研究内容。目标检测的主要目的是完成目标分类与目标定位两大任务。为了完成这两大任务,当今学术界提出了诸多优秀的算法。时下最流行也最为有效的目标检测算法均是建立在卷积神经网络的基础之上的。相较于传统的目标检测算法,基于卷积神经网络的算法提取特征的能力更强,可以处理更复杂的场景,准确率也更高。利用这些算法训练出的模型各不相同,面对不同情况的检测,也都具备各自的优势。本文针对基于卷积神经网络的目标检测算法进行了分析与对比,并对各种算法的不足提出了一些改进和优化意见,提出了一种联合机制算法,实现了不同算法的优势互补,取得了比较好的效果。本文的主要工作如下:(1)分析并整理了现有的基于卷积神经网络的目标检测算法:两步检测算法和单步检测算法,分别实现了日常目标检测的任务,并发现了两种算法的优势与不足。两步检测算法利用卷积神经网络从原始图像中提取候选框用于分类与定位,准确率很高,但是效率有待提升;单步检测算法不再使用候选框提取机制,提高了检测效率但准确率上没有两步检测算法理想。(2)基于以上检测方法存在的优势与不足,本文提出了一种联合机制的目标检测算法。该算法对单步检测算法和两步检测算法进行取长补短,优势互补。单步检测算法的检测速度极快,但对小目标的检测效果不是很好;而两步检测算法对小目标检测效果很优秀,但检测速度使其劣势。本文设计的联合机制算法在检测效率和检测准确度间做了一定的平衡,使之更为满足实际需求。在设计联合机制算法过程中,本文对两种算法的内部进行了调整与优化,使得两种检测器可以针对图像目标的特性,自行做出判断,决定是否检测该目标对其进行分类和定位,使之对检测目标更具针对性,效率更高的同时准确率也得到了提高。(3)基于以上的联合机制算法,设计并实现了一个目标检测系统平台。通过自行制作的一个日常生活中较为实用的标志数据集,进行了训练与测试任务。在测试集上取得了较好的成果。