深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用研究.pdf

1、本文對深度卷積神經(jīng)網(wǎng)絡(luò)在車牌和人臉檢測領(lǐng)域的應(yīng)用進(jìn)行了研究。人臉和車牌的檢測問題一直是目標(biāo)檢測領(lǐng)域的熱門問題?；谌四樧R別和車牌識別的應(yīng)用在現(xiàn)實生活中發(fā)揮的作用越來越重要，尤其隨著互聯(lián)網(wǎng)科技和智能化技術(shù)的發(fā)展，人們在數(shù)據(jù)挖掘、安保監(jiān)控、智能交通等相關(guān)智能系統(tǒng)的需求也越來越強(qiáng)烈。在現(xiàn)實中，各種各樣的圖像采集系統(tǒng)的逐漸普及，產(chǎn)生了海量的車牌、人臉圖像信息。這些采集到的圖像往往來自不同的環(huán)境和系統(tǒng)，導(dǎo)致了數(shù)據(jù)沒有統(tǒng)一的規(guī)范格式，使得后續(xù)的信息

2、提取和挖掘面臨很多困難。同時，不受限的環(huán)境使得定位面臨著許多復(fù)雜的影響因素，諸如不均勻光照、多姿態(tài)、運動模糊、低分辨率、裝飾物遮擋等問題。盡管對于它們的研究起步較早，但是當(dāng)前的檢測系統(tǒng)都對環(huán)境有著一定的約束限制。同時，車牌、人臉檢測問題有著許多共同之處，因此共同研究車牌和人臉的檢測問題就具有重要的意義和現(xiàn)實價值。初期的對于車牌和人臉檢測，都嘗試了采用顏色、幾何輪廓、紋理等視覺特征進(jìn)行目標(biāo)的定位。分析這些方法可以清晰的看到這些方法存在各自

3、的優(yōu)缺點和適用場景。在諸如固定場所的監(jiān)控系統(tǒng)中，數(shù)據(jù)往往具有高分辨率、場景單一、視角固定等特點。在這種受限的特定環(huán)境，我們使用的人工設(shè)計特征的方法，可以高效且很好的解決了這兩類問題。然而，在諸如室外監(jiān)控等系統(tǒng)中，數(shù)據(jù)存在運動模糊、裝飾物遮擋、環(huán)境干擾等因素。在這種自然環(huán)境下，單一、組合使用人工設(shè)計特征方法性能都嚴(yán)重受到了影響。因此增強(qiáng)車牌、人臉檢測算法對不同場景、干擾因素的魯棒性，是一個非常值得研究和解決的技術(shù)問題。
　　20世紀(jì)

4、90年代至今，隨著人類對大腦認(rèn)知的深入，基于樣本統(tǒng)計的機(jī)器學(xué)習(xí)方法從提出之后就得到了充分的發(fā)展和完善。這種基于統(tǒng)計的機(jī)器學(xué)習(xí)方法能從樣本數(shù)據(jù)中挖掘出豐富的特征表示，使得在很多方面較于人工設(shè)計特征都表現(xiàn)了巨大的優(yōu)越性。這種方法極大的激發(fā)了人們對機(jī)器學(xué)習(xí)理論和應(yīng)用研究的熱情和信心。神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)優(yōu)秀算法之一，是通過模擬人腦視覺神經(jīng)系統(tǒng)的行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，使用反向傳播算法（Back Propagation）訓(xùn)

5、練的人工神經(jīng)網(wǎng)絡(luò)模型很好的解決了MNIST分類問題。卷積神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種。這種多階段全局訓(xùn)練模型，通過樣本訓(xùn)練自主的從原始輸入中學(xué)習(xí)平移不變性特征，基于滑動窗口的技術(shù)使得算法可以用較小的代價完成圖像掃描，因此在目標(biāo)檢測領(lǐng)域得到了廣泛使用。2006年之后，隨著深度學(xué)習(xí)概念的提出和研究的發(fā)展，尤其在語音識別、圖像分類等領(lǐng)域，深度學(xué)習(xí)模型很好的解決了淺層學(xué)習(xí)模型難以逾越的障礙，極大的推動了機(jī)器學(xué)習(xí)的新浪潮--深度學(xué)習(xí)。本文基于深度