基于卷积神经网络的图像检测技术研究

19世纪末,汽车的发明不断促进人类的创新和社会进步发展;时至今日,越来越多的自动控制技术应用在汽车中,近年来,深度学习相关研究实现了相关突破,无人驾驶汽车成为了汽车相关技术的重大变革。深度学习在计算机视觉方面的研究应用非常广泛,例如安防和无人驾驶技术,其中车辆感知到周围环境的事物和变化是亟待处理的计算机视觉问题,因而,本文从早期的图像检测算法与基于卷积神经网络(Convolutional Neural Network,CNN)的图像检测算法两个方面进行比较分析。本文在说明了传统图像处理的基础理论基础上,介绍梯度方向直方图HOG算法和尺度不变性特征变换SIFT算子进行原理分析以及实验分析论证。基于传统目标检测框架是由梯度方向直方图与特征分类器组成,本文将通过实验分析论证,对经典的相关算法来说,检测算法出现图像中的某些物体没能正确检测,而且有可能错误的把相似物体进行检测的情况发生,影响了算法检测准确率和检测效果。因而本文提出一种基于卷积神经网络的图像检测算法极大地处理早期经典算法在图像方面遗留的问题,最终实验证明,本文提出的方法可以提高准确率和运行速度。为提高算法检测准确率问题,提出了针对基于Faster-RCNN目标检测算法基础上做出4个方面的改进:图像增强算法,提出一种随机擦除算法,有助于增强模型的稳健性和对测试样本的表现力;在原算法的特征抽取网络基础上的改良,使用更深层的特征提取网络,由原来16层卷积层扩充到101层残差卷积层,更深的卷积网络有助于模型提取图像中更深的语义信息,提高算法在图像检测过程中,语义信息分类和目标包围框的准确率;利用不同尺寸的图像输入到算法模型,卷积网络提取多尺寸图像的特征后进行融合,该算法对模型学习到同一类别的语义特征时候能够保持相似性而不同类别的图像语义特征之间能够保持最大差异性;优化算法区域候选框特征提取模块,有效预测目标类别的边界框和目标类别的概率,提高目标检测的准确率。另外,为提高算法模型测试时间,在基于改进Faster-RCNN目标检测算法的基础上,通过重新设计该算法的感兴趣区域池化操作,并且取消上述目标检测算法中全连接层,使得模型具有对目标平移具有不变性的性质,并且有效提升模型算法的图像目标检测速度。文末,针对说明上述改进的图像检测算法凸显在相关应用中的图像检测领域优势,本篇论文搭建了基于CAFFE和TENSORFLOW深度学习框架的图像检测实验平台,使用德国神经计算研究院提供的交通标志检测基准公开数据集作为模型的训练集和测试集,通过最后的测试结论得出,采用上述图像算法不仅大大地提升了准确率,而且本文最后的快速图像检测算法模型能够提升模型的运行速度。