基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究.pdf

1、目標(biāo)檢測(cè)作為圖像處理和計(jì)算機(jī)視覺(jué)領(lǐng)域中的經(jīng)典課題，在交通監(jiān)控、圖像檢索、人機(jī)交互等方面有著廣泛的應(yīng)用。它旨在一個(gè)靜態(tài)圖像（或動(dòng)態(tài)視頻）中檢測(cè)出人們感興趣的目標(biāo)對(duì)象。傳統(tǒng)的目標(biāo)檢測(cè)算法中特征提取和分類(lèi)決策分開(kāi)進(jìn)行，對(duì)特征選取的要求就更加嚴(yán)格，在面對(duì)復(fù)雜場(chǎng)景的時(shí)候很難得到理想效果。自Hinton教授提出深度學(xué)習(xí)理論，越來(lái)越多的研究學(xué)者嘗試采用深度學(xué)習(xí)理念來(lái)解決目標(biāo)檢測(cè)問(wèn)題，并且提出了不同的模型。不同的模型應(yīng)用也不盡相同，通常采用卷積神經(jīng)網(wǎng)絡(luò)

2、來(lái)處理目標(biāo)檢測(cè)問(wèn)題。相比于傳統(tǒng)目標(biāo)檢測(cè)算法，卷積神經(jīng)網(wǎng)絡(luò)中特征提取和模式分類(lèi)并行進(jìn)行，而且隨著層數(shù)的增多可以更好的處理復(fù)雜場(chǎng)景，但是它對(duì)目標(biāo)邊緣的約束性太差。在這樣的基礎(chǔ)上，本文對(duì)傳統(tǒng)算法和卷積神經(jīng)網(wǎng)絡(luò)做了深入的研究，實(shí)現(xiàn)了將傳統(tǒng)算法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的目標(biāo)檢測(cè)算法。本文的主要工作和創(chuàng)新有:
　　(1)針對(duì)傳統(tǒng)目標(biāo)檢測(cè)算法一般是使用矩形框的方式得到目標(biāo)的大致區(qū)域，而我們的需求是盡可能的獲得目標(biāo)的邊緣輪廓問(wèn)題，本文實(shí)現(xiàn)了一種改進(jìn)的

3、基于主動(dòng)輪廓模型的目標(biāo)檢測(cè)算法，使輪廓盡可能的接近目標(biāo)。
　　(2)針對(duì)傳統(tǒng)算法需要人工設(shè)計(jì)圖像特征，不同場(chǎng)景模型不穩(wěn)定問(wèn)題而卷積神經(jīng)網(wǎng)絡(luò)分割不精確以及缺少相鄰像素之間的約束的問(wèn)題，本文將傳統(tǒng)算法和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像“高層次”特征提取，超像素提取出圖像“低層次”特征，可以適應(yīng)不同的復(fù)雜場(chǎng)景，并且獲得準(zhǔn)確的目標(biāo)邊緣。在頤和園景點(diǎn)數(shù)據(jù)庫(kù)中進(jìn)行了充分的實(shí)驗(yàn)。通過(guò)結(jié)果可以看出使用我們的算法進(jìn)行目標(biāo)檢測(cè)提取，可以很