基于深度學習的目標檢測系統(tǒng)的研發(fā).pdf

1、計算機科學的飛速發(fā)展，給人類的生活帶來了很大的進步，使人類的生活變得越來越智能。人工智能一直是人類孜孜不倦探索得重要領(lǐng)域。眾所周知，人類的視覺是感知外部世界的重要組成部分，科學研究表明，人的百分之七八十的信息是通過視覺來感知到的。所以，在人類探索人工智能的漫漫長途中，計算機視覺一直都是一個重要的研究方向。計算機視覺涉及到圖像處理，機器學習，模式識別等多個學科，最終目的是為了模擬人的視覺，以便用計算機完成各種識別任務(wù)。其中，目標檢測是計算

2、機視覺方向中非常重要的一個子方向。目標檢測主要是檢測出圖片中所關(guān)注的目標，例如，自動駕駛系統(tǒng)對于目標檢測的要求就是要檢測出當前行車環(huán)境中的行人、車輛等各種物體。由于真實路況的復(fù)雜性，要求檢測系統(tǒng)對于場景有著較高級別的語義理解。過去，大部分目標檢測算法基本是基于傳統(tǒng)的濾波方法，提取人工設(shè)計出來的經(jīng)典特征，如 SIFT[22]，HOG，然后放入經(jīng)典的分類器（如SVM[30]、Adaboost）進行分類識別。由于使用的是手工特征，所以魯棒性較

3、差，而且工作量大，當環(huán)境出現(xiàn)明顯變化時，目標檢測效果的差異很大。由于深度學習中卷積神經(jīng)網(wǎng)絡(luò)的極強的特征表達能力，提取的特征具有非常強的魯棒性，所以，本文主要是利用了基于深度學習的比較經(jīng)典的檢測框架—Faster R-CNN，并在此基礎(chǔ)上嘗試著使用不同的特征提取層，在傳統(tǒng)經(jīng)典模型的基礎(chǔ)上，對網(wǎng)絡(luò)結(jié)構(gòu)進行了改變，使現(xiàn)在的網(wǎng)絡(luò)模型在精度和速度之間作了更好的權(quán)衡。并利用標定的數(shù)據(jù)對模型進行訓練，調(diào)節(jié)參數(shù)，最終訓練出一個精度和速度較好的模型，并應(yīng)