基于深度學(xué)習(xí)的圖像目標(biāo)定位識(shí)別研究.pdf

1、科學(xué)技術(shù)的發(fā)展是推動(dòng)人類社會(huì)進(jìn)步的主要原因之一，未來(lái)社會(huì)進(jìn)一步地朝著科技化、信息化、智能化的方向前進(jìn)。在信息大爆炸的今天，充分利用這些信息將有助于社會(huì)的現(xiàn)代化建設(shè)，這其中圖像信息是目前人們生活中最常見(jiàn)的信息。利用這些圖像信息的一種重要方法就是圖像目標(biāo)定位識(shí)別技術(shù)。不管是視頻監(jiān)控領(lǐng)域還是虛擬現(xiàn)實(shí)技術(shù)等都對(duì)圖像的識(shí)別有著極大的需求。
　　一般的圖像目標(biāo)定位識(shí)別系統(tǒng)包括圖像分割、目標(biāo)關(guān)鍵特征提取、目標(biāo)類別分類三個(gè)步驟。在研究課題相關(guān)背景

2、和意義之后，本文對(duì)上述三個(gè)步驟涉及到的技術(shù)進(jìn)行了調(diào)研。深度學(xué)習(xí)理論由Hinton教授提出之后得到學(xué)術(shù)界的普遍關(guān)注。越來(lái)越多的學(xué)者嘗試用深度學(xué)習(xí)理論去解決圖像識(shí)別技術(shù)中碰到的問(wèn)題。深度學(xué)習(xí)理論包含諸多的模型，不同的模型各自的應(yīng)用領(lǐng)域也不相同。這其中卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型是最常用于圖像處理的模型。相比較傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)擁有更多的隱藏層，其特有的卷積和池化操作對(duì)圖像地處理有著較高的效率。
　　本文在分析了CNN模

3、型對(duì)圖像特征的表達(dá)特性之后，搭建了一個(gè)CNN網(wǎng)絡(luò)模型，該模型在傳統(tǒng)的VGG模型的基礎(chǔ)上加以改進(jìn)，統(tǒng)一了圖像分割、目標(biāo)特征提取和目標(biāo)分類三個(gè)過(guò)程，改進(jìn)后的模型稱為N-VGG。本文的創(chuàng)新點(diǎn)之一是研究學(xué)習(xí)了基于估計(jì)目標(biāo)網(wǎng)絡(luò)（RPN）的圖像分割技術(shù)，提出了改進(jìn)策略以提升 RPN網(wǎng)絡(luò)的性能，改進(jìn)后的圖像分割模塊稱之為IRPN。最終將IRPN網(wǎng)絡(luò)應(yīng)用到本課題構(gòu)建的N-VGG模型中。同時(shí)分析了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用的激活函數(shù)，最終在 N-VGG

4、網(wǎng)絡(luò)模型中引入了新的激活函數(shù)：指數(shù)線性單元（ELU）。另外在N-VGG網(wǎng)絡(luò)模型中引入了空間金字塔池化技術(shù)（SPP），以提升模型的識(shí)別精度。最后利用第三方開(kāi)源工具Caffe構(gòu)建了N-VGG模型，并構(gòu)建了一個(gè)簡(jiǎn)易的圖像目標(biāo)定位識(shí)別系統(tǒng)。最終通過(guò)該系統(tǒng)測(cè)試本文構(gòu)建模型的識(shí)別效率。在測(cè)試階段，還單獨(dú)訓(xùn)練了一個(gè)SVM分類器，以對(duì)比SVM分類器和softmax分類器性能。最后本文對(duì)在這個(gè)課題學(xué)習(xí)設(shè)計(jì)的過(guò)程中遇到的問(wèn)題和學(xué)習(xí)到的經(jīng)驗(yàn)、方法做了總結(jié)，同