基于深度學習的圖像目標定位識別研究.pdf

1、科學技術的發(fā)展是推動人類社會進步的主要原因之一，未來社會進一步地朝著科技化、信息化、智能化的方向前進。在信息大爆炸的今天，充分利用這些信息將有助于社會的現(xiàn)代化建設，這其中圖像信息是目前人們生活中最常見的信息。利用這些圖像信息的一種重要方法就是圖像目標定位識別技術。不管是視頻監(jiān)控領域還是虛擬現(xiàn)實技術等都對圖像的識別有著極大的需求。
　　一般的圖像目標定位識別系統(tǒng)包括圖像分割、目標關鍵特征提取、目標類別分類三個步驟。在研究課題相關背景

2、和意義之后，本文對上述三個步驟涉及到的技術進行了調研。深度學習理論由Hinton教授提出之后得到學術界的普遍關注。越來越多的學者嘗試用深度學習理論去解決圖像識別技術中碰到的問題。深度學習理論包含諸多的模型，不同的模型各自的應用領域也不相同。這其中卷積神經(jīng)網(wǎng)絡（CNN）模型是最常用于圖像處理的模型。相比較傳統(tǒng)的人工神經(jīng)網(wǎng)絡模型，卷積神經(jīng)網(wǎng)絡擁有更多的隱藏層，其特有的卷積和池化操作對圖像地處理有著較高的效率。
　　本文在分析了CNN模

3、型對圖像特征的表達特性之后，搭建了一個CNN網(wǎng)絡模型，該模型在傳統(tǒng)的VGG模型的基礎上加以改進，統(tǒng)一了圖像分割、目標特征提取和目標分類三個過程，改進后的模型稱為N-VGG。本文的創(chuàng)新點之一是研究學習了基于估計目標網(wǎng)絡（RPN）的圖像分割技術，提出了改進策略以提升 RPN網(wǎng)絡的性能，改進后的圖像分割模塊稱之為IRPN。最終將IRPN網(wǎng)絡應用到本課題構建的N-VGG模型中。同時分析了傳統(tǒng)的卷積神經(jīng)網(wǎng)絡模型中應用的激活函數(shù)，最終在 N-VGG

4、網(wǎng)絡模型中引入了新的激活函數(shù)：指數(shù)線性單元（ELU）。另外在N-VGG網(wǎng)絡模型中引入了空間金字塔池化技術（SPP），以提升模型的識別精度。最后利用第三方開源工具Caffe構建了N-VGG模型，并構建了一個簡易的圖像目標定位識別系統(tǒng)。最終通過該系統(tǒng)測試本文構建模型的識別效率。在測試階段，還單獨訓練了一個SVM分類器，以對比SVM分類器和softmax分類器性能。最后本文對在這個課題學習設計的過程中遇到的問題和學習到的經(jīng)驗、方法做了總結，同