自然場景中的物體檢測相關(guān)技術(shù)研究.pdf

1、物體檢測，即給定一張圖像，識別出其中的目標物體并對其定位，是計算機視覺領(lǐng)域研究的一個重要和基礎問題。最近幾年隨著深度學習的快速發(fā)展，基于深度學習的物體檢測技術(shù)越來越受到重視。無人駕駛汽車、個人智能助手、智能安防等領(lǐng)域都依賴準確高效的物體檢測算法。深度學習最大的優(yōu)勢就是端到端的訓練和部署，使用通用的模型和大量標注數(shù)據(jù)就能得到非常好的效果。圍繞基于深度學習的物體檢測，本文分別從數(shù)據(jù)獲取和模型優(yōu)化兩個核心問題進行了研究，并再此基礎上實現(xiàn)了一個

2、物體檢測系統(tǒng)。本文主要分為以下三個部分:
　　一、自然場景中的平面圖案檢測具有非常廣泛的應用需求，深度學習在這類應用中被證明具有較好的檢測效果，但在真實場景中很難收集到大量可用于訓練深度模型的圖像。為了應對大量訓練樣本獲取的困難，本文構(gòu)建了一個快速自動生成大量訓練樣本的方法。該方法通過對少量的模板樣本圖片應用幾何和紋理變換，模擬多種自然場景中的效果，合成用于檢測的訓練樣本。實驗結(jié)果表明，使用本文方法合成的訓練樣本可以取得與使用人工

3、標注的真實樣本相近的效果。該方法減少了對人工標注數(shù)據(jù)的依賴，降低了數(shù)據(jù)獲取成本。
　　二、Faster RCNN是物體檢測中被廣泛應用的深度神經(jīng)網(wǎng)絡模型。本文針對Faster RCNN方法對小尺寸物體檢測效果不好的情況，使用多尺度的卷積特征進行物體的邊框提取和分類，并通過拼接多個層級的特征圖，使得網(wǎng)絡在抽取高層語義信息的同時不會丟失細節(jié)的圖像信息，實現(xiàn)在多尺度范圍上更準確的檢測。通過Pascal VOC數(shù)據(jù)集上的實驗結(jié)果表明，對比

4、使用單層特征圖的網(wǎng)絡，本文使用的網(wǎng)絡對小目標物體的檢測有著更好的檢測效果。
　　三、鑒于使用深度學習方法進行物體檢測具有相對統(tǒng)一的流程，可以通過模塊化的方法組合實現(xiàn)，本文實現(xiàn)了一個可視化的物體檢測訓練和識別系統(tǒng)。該系統(tǒng)使用B/S架構(gòu)，采用模塊化設計，支持多種數(shù)據(jù)集和物體檢測網(wǎng)絡，覆蓋了數(shù)據(jù)輸入、神經(jīng)網(wǎng)絡訓練、模型評價等整個物體檢測流程。使用該系統(tǒng)，不具有深度學習專業(yè)知識的用戶，通過web端網(wǎng)頁操作，就可根據(jù)自己的需要完成物體檢測深