自然場(chǎng)景中的物體檢測(cè)相關(guān)技術(shù)研究.pdf

1、物體檢測(cè)，即給定一張圖像，識(shí)別出其中的目標(biāo)物體并對(duì)其定位，是計(jì)算機(jī)視覺領(lǐng)域研究的一個(gè)重要和基礎(chǔ)問題。最近幾年隨著深度學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的物體檢測(cè)技術(shù)越來越受到重視。無人駕駛汽車、個(gè)人智能助手、智能安防等領(lǐng)域都依賴準(zhǔn)確高效的物體檢測(cè)算法。深度學(xué)習(xí)最大的優(yōu)勢(shì)就是端到端的訓(xùn)練和部署，使用通用的模型和大量標(biāo)注數(shù)據(jù)就能得到非常好的效果。圍繞基于深度學(xué)習(xí)的物體檢測(cè)，本文分別從數(shù)據(jù)獲取和模型優(yōu)化兩個(gè)核心問題進(jìn)行了研究，并再此基礎(chǔ)上實(shí)現(xiàn)了一個(gè)

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

3、標(biāo)注的真實(shí)樣本相近的效果。該方法減少了對(duì)人工標(biāo)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(cè)中被廣泛應(yīng)用的深度神經(jīng)網(wǎng)絡(luò)模型。本文針對(duì)Faster RCNN方法對(duì)小尺寸物體檢測(cè)效果不好的情況，使用多尺度的卷積特征進(jìn)行物體的邊框提取和分類，并通過拼接多個(gè)層級(jí)的特征圖，使得網(wǎng)絡(luò)在抽取高層語義信息的同時(shí)不會(huì)丟失細(xì)節(jié)的圖像信息，實(shí)現(xiàn)在多尺度范圍上更準(zhǔn)確的檢測(cè)。通過Pascal VOC數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，對(duì)比

4、使用單層特征圖的網(wǎng)絡(luò)，本文使用的網(wǎng)絡(luò)對(duì)小目標(biāo)物體的檢測(cè)有著更好的檢測(cè)效果。
　　三、鑒于使用深度學(xué)習(xí)方法進(jìn)行物體檢測(cè)具有相對(duì)統(tǒng)一的流程，可以通過模塊化的方法組合實(shí)現(xiàn)，本文實(shí)現(xiàn)了一個(gè)可視化的物體檢測(cè)訓(xùn)練和識(shí)別系統(tǒng)。該系統(tǒng)使用B/S架構(gòu)，采用模塊化設(shè)計(jì)，支持多種數(shù)據(jù)集和物體檢測(cè)網(wǎng)絡(luò)，覆蓋了數(shù)據(jù)輸入、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模型評(píng)價(jià)等整個(gè)物體檢測(cè)流程。使用該系統(tǒng)，不具有深度學(xué)習(xí)專業(yè)知識(shí)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(cè)深