基于区域卷积神经网络的目标实时检测

摘要

近些年来，目标检测算法取得了令人瞩目的成绩并不断得到改进，在速度和准确率上都得到了大幅度的提高。然而现有的目标检测算法仍然存在着一些缺点，例如算法通常为不同尺度的物体训练不同的检测器。这种方式将训练集中的样本数量分散到各检测器中，从而减少了训练过程中的正样本数量。另一方面，目标检测算法最后的非极大抑制方法直接忽视了置信度非极大的检测结果。此外，由于现有的网络产生太多的预选框，要从大量的预选框中得到最终的检测结果往往需要耗费很多时间。基于上述的种种不足之处，本文提出了多种改进方法，在保证了检测算法能够实时运行的同时，进一步提高网络的效率。本文具体的工作如下: 1)提出了尺度不变的目标检测网络。本文首先提出了尺度不变检测的新理论，并将这个理论引入现有的目标检测网络中，使得对于不同尺度下的相同物体能够产生相同的检测结果。另一方面，本文提出新的非极大加权方法。为了在这些重复的检测结果中得到唯一的最佳目标物体位置，本文提出的非极大加权方法将所有的重复检测结果通过计算加权均值的方式综合成一个区域，得到最终的检测结果。 2)优化现有目标检测算法预选区域的匹配策略。为了提高目标检测算法对小尺度目标物体的检测效果，往往要生成大量小面积的预选区域，这也大大地减慢了算法运行的速度。而本文结合其它的目标检测算法，对小物体采用分块检测的方式，极大地减少了算法需要生成的预选区域数量，从而加快了算法的运行速度。

目录

声明

摘要

1绪论

1．1研究背景和意义

1．2研究现状

1．3主要难点与方法

1．3．1检测目标多样性

1．3．2算法思想多样性

1．3．3后续处理方法

1．4研究内容和贡献

1．5论文的组织结构

2相关研究进展

2．1引言

2．2常用数据集

2．3基本知识要点

2．3．1选择性搜索算法

2．3．2 RoI池化

2．3．3 DPM特征

2．3．4深度卷积网络

2．3．5非极大抑制算法

2．4目标检测算法综述

2．4．1滑动窗口

2．4．2区域卷积网络

2．4．3端到端网络

2．5评价标准

2．5．1区域重叠率

2．5．2平均精度均值

2．6本章小结

3尺度不变的目标实时检测

3．1引言

3．2目标检测算法分析

3．3检测算法思想

3．3．1目标检测任务建模

3．3．2问题求解思路

3．4尺度不变的目标检测算法

3．4．1预选区域选取方法

3．4．2目标检测网络

3．4．3后续处理方法

3．4．4算法整体框架

3．5目标检测结果与分析

3．5．1数据集简介

3．5．2实验设置

3．5．3检测算法准确率

3．5．4模块化分析

3．5．5算法鲁棒性分析

3．5．6类别鲁棒性分析

3．5．7误检样本分析

3．6本章小结

4目标检测算法的匹配策略优化

4．1引言

4．2问题分析

4．3多策略融合的匹配方法

4．4实验结果与分析

4．5检测结果展示

4．5．1数据集图像

4．5．2摄像头图像

4．5．3视频图像

4．6本章总结

5总结与展望

5．1全文工作结论

5．2未来工作展望

致谢

参考文献

附录