基于深度学习的单步目标检测器特征增强算法

来源:用户上传      作者:

　　摘要：目标检测是电子计算机所涉及的一个课题之一，且具有一定的挑战性。本文基于深度学习的单步目标检器特征增强算法展开了讨论和实验，希望能够有效的促进我国电子计算机应用技术的进一步发展。
　　关键词：单步目标检测技术;特征增强算法;深度学习
　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2019）06-0132-01
　　0 引言
　　众所周知，主观判断是与所接受的视觉信息相互联系的，而对于人类来说，图像以及动态视频能够清晰的将信息进行有效的表达和传递。因此，在新的形势之下，对目标检测技术进行更深层次的研究具有一定积极的意义，能够促使我国进一步有效的实现城市交通智能化、工业检测智能化、航空航天智能化。在目标检测技术的研究基础上，能够对图像进行有效的处理，从而将出现在图像动态视频中的目标物以最短的时间检测出来。根据相关研究表明，在目标检测系统中，要想进一步有效的实现实时性和鲁棒性，是具有一定困难。对于鲁棒性来说，无法对目标人群的行为轨迹进行有效的预判，需要将环境中的不确定因素进行考虑;而实时性是系统所必须具备的基础性能，鉴于该系统的图像处理方法不能过于复杂，本文在传统的行人特征基础上，对单步目标检测技术展开了课题性研究。
　　1 单步目标检测器特征增强算法的相关概述
　　行人单步目标检测算法是电子计算机进行视觉领域中的研究课题之一，为进一步有效的实现该项计算，需要在原有的计算体系基础上将图像处理、模式识别、机器学习等相关专业技术进行添加。就目前来说，进行单步目标检测便是通过特征加强机器学习的方式来展开研究，并将机器学习的算法进行有效的创新和优化，以达到课题研究目标。但是对于单步目标检测算法来说，仍旧存在许多不足和可改进之处[1]。（1）行人外形特征无法确定，图像中的目标人群会因为穿着的改变而在形象上发生改变，当目标行人与行人之间的距离发生改变后其大小特征同样会随之发生改变。（2）行人所处的环境发生改变也会影响检测算法的准确性和稳定性，一般来说，影响因素为客观环境、自然环境等等。（3）单步目标检测算法一般都是应用到视频监控中，这也就意味着目标点会随时处于动态化，需要在实际应用过程中具有实时性。
　　2 单步目标检测器特征算法
　　2.1 传统目标检测算法
　　目标检测是电子计算机进行视觉领域研究的重要课题之一，也是最为基础的项目，其主要研究目标在于能够对图像或动态视频中的目标进行精确的定位或分类。就传统目标检测算法来说，在较长的一段时间段，都是以可变形组件模型算法为基础算法。随着信息技术的不断创新与发展，在传统目标检测算法基础上进行了计算法的研究和应用，逐渐形成了更多具有优势的计算方法。
　　2.2 基于卷积神经网络的单步检测算法
　　为进一步有效的提高现代化网络效率，相关研究学者提出了一种基于卷积神经网络的检测计算方法，即YOLO网络。在新的网络环境中，能够以更快的速度来对所锁定的目标人群进行精准定位和分类。该网络更进一步在所有卷积层中加入批标准化概念，并应用卷积网络取代传统意义上的全连接层，支持边框预测功能的实现。除此以外，SSD网络以Anchor Box为基础，支持多个特征层的同步性预测。同时，为进一步有效保证单步检测计算正确率，该项网络要对损失函数进行有效的规划和设计，从而将极端样本所存在的种种问题进行及时的解决和优化，尽可能的将其所有优势都展现出来[2]。
　　3 网络架构
　　3.1 单步目标检测器SSD
　　在卷积层基础上进行SSD网络构建。SSD网络系统中进行了采样卷积层的添加，被添加的卷积层、基础网络层都被应用到边框预测中，用于确定置信度和目标实际偏移量。所有预测出来的数值都将由两个独立的卷积层所产生，对于每一个卷积层来说在其边框回归上会产生四个数值，并产生不同类别的置信度，最后采用相关的计算法对所有数据进行准确的计算。
　　3.2 具有方向性的特征提取块
　　在对网络结构进行特征提取时，常常采用的是级联的方式来辅助网络的计算与检测，并对加深层网络展开采样活动。因此，对于这一类结构来说，为准确获取到目标图片的基础信息或语义信息，需要在网络深度的基础上进行有效的提取，才能够为目标群体的信息分类提供一定的帮助。但是，随着网络深度的不断加深，很有可能会将目标信息所要获取的信息弄丢，且在准确性上也无法保证。但是，对于多尺度的预测来说，整个信息数据预测过程中都没有将尺度特征进行有效的关联。特征层的卷积将特征提取的方式进行了统一，因此，所提取到的信息及图片特征在各个方向上不具备差异性[3]。
　　3.3 多尺度预测
　　将特征提取模块与多尺度特征进行有效的融合，仍然需要进行特征图金字塔的建立，从而有效的实现对于数据进行多尺度的预测。因此，在进行研究过程中，将特征金字塔加入到其中，并对大小不同的每层特征图进行多尺度预测。
　　3.4 网络训练
　　为了构建鲁棒性强的模型，在数据扩增方面，与经典SSD的方法基本一致，通过对原始数据进行随机裁切、翻转操作，来扩充训练数据集。为了检测具有不同宽高比的各类物体，本文设置了具有5种不同宽高比的默认检测框，与经典SSD的一致，分别是1、2、3、1/2、1/3。实际中，以默认检测框为中间变量，来实现检测框与预测检测框之间的转换。在准备训练数据时，需要将实际检测框与最符合的对应起来，形成从实际检测框与默认检测框的对应[4]。
　　实际训练中我们发现预选框与真实框经过匹配后产生的负样本（没有匹配到真实框的预选框）数量一般要远大于正樣本（匹配到真实框的预选框）数量，这种正负样本不平衡会导致网络预测值向负样本靠近以及网络难以收敛等问题。因此算法训练时将负样本按照置信损失进行排序，选择排名靠前的负样本作为训练，使得正负样本数量平衡（一般指定正样本和负样本的比例达到1：3），提升网络分类性能。 　　4 结语
　　综上所述，随着深度卷积神经网络的不断发展与应用，人们对于目标检测算法的准确率有着越来越高的要求，作为电子计算机视觉领域的研究课题之一目标检测技术面临着巨大的挑战与全新的机遇。本文提出了一种基于深度学习的单步目标检测器特增强算法，能够在保证数据计算准确率的同时保证系统的及时性。
　　参考文献
　　[1] 寇大磊，权冀川，张仲伟.基于深度学习的目标检测框架进展研究[J].计算机工程与应用，2019（11）：25-34.
　　[2] 路雪，刘坤，程永翔.一種深度学习的非机动车辆目标检测算法[J].计算机工程与应用，2019（8）：182-188+214.
　　[3] 师燕妮.基于深度学习目标检测与跟踪技术的研究[J].电子设计工程，2019，27（6）：59-63.
　　[4] 袁明新，张丽民，朱友帅，等.基于深度学习方法的海上舰船目标检测[J].舰船科学技术，2019（1）：111-115+124.
　　Feature Enhancement Algorithm of Single-step Target Detector Based on Deep Learning
　　ZHU Ting-ting
　　（Gaoxinxing Science and Technology Group Co.， Ltd. ， Guangzhou Guangdong  510530）
　　Abstract：Target detection is one of the topics involved in computer， and it is challenging to some extent. In this paper a one-step target detector feature enhancement algorithm based on in-depth learning is discussed and experimented， hoping to effectively promote the further development of computer application technology in China.
　　Key words：single-step target detection technology; feature enhancement algorithm; in-depth learning
转载注明来源:https://www.xzbu.com/8/view-15008224.htm