一种基于深度学习的目标检测方法技术

本发明专利技术公开一种基于深度学习的目标检测方法，首先选取训练分类器所需训练样本；其次采用均值滤波器对训练样本进行去噪，再利用神经网络对去噪后的训练样本进行特征提取；然后用训练样本来训练分类器最后利用训练好的分类器对输入的待检测图像进行分类筛选，以检测待检测图像中是否存在想要检测的目标。本发明专利技术在RPN网络中，用掩膜的屏蔽作用，对图像上某些区域屏蔽。并针对回归边框不能准确定位，利用模拟退火算法来着重解决建议窗口与实际窗口的非线性问题。且在RPN网络前加入了池化层，使得进入RPN网络的图像是同样尺寸的，这样提高了整个Faster‑RCNN网络的实时性。

【技术实现步骤摘要】
一种基于深度学习的目标检测方法
本专利技术涉及计算机视觉
，具体涉及一种基于深度学习的目标检测方法。
技术介绍
目标检测在人工智能，人脸识别，无人驾驶等领域都得到了广泛的应用。然而，在目标检测的过程中会受到各种各样干扰，比如角度、遮挡、光线强度等因素，这些因素会导致目标发生畸变，为目标检测增加了新的挑战。传统目标检测方法有3个步骤：1)使用不同大小的滑动窗口框住待测图像中的某一部分作为候选区域；2)提取该候选区域相关的视觉特征；3)使用训练完成的分类器进行分类，比如常用的支持向量机(supportvectormachine，SVM)模型，Adaboost、DPM、RF(randomforest)模型等。但是传统目标检测算法有两个主要的缺陷：1)滑动窗口策略进行区域选择时针对性不强，增加了时间复杂度和窗口冗余；2)手动设计的特征对于目标的多样性并没有很好的鲁棒性，模型的复杂度较高，目标检测的速度和准度较低。
技术实现思路
本专利技术提供一种基于深度学习的目标检测方法，其能够简捷有效地提取图像中待检测目标。为解决上述问题，本专利技术是通过以下技术方案实现的：一种基于深度学习的目标检测方本文档来自技高网...

【技术保护点】
1.一种基于深度学习的目标检测方法，其特征是，包括步骤如下：步骤1、选取训练分类器所需训练样本，其中训练样本包括正例样本和负例样本，正例样本为包含有待检目标的图片，负例样本为不包含待检目标的任意图片；上述所有训练样本都被归一化为同样的尺寸大小；步骤2、采用均值滤波器对训练样本进行去噪，再利用神经网络对去噪后的训练样本进行特征提取；步骤3、用训练样本来训练分类器：步骤3.1、用预先制作的感兴趣区掩模与训练样本相乘，对于感兴趣区内的图像值保持不变，而感兴趣区外的图像值都为0，得到感兴趣区图像；步骤3.2、采用分水岭算法对掩膜处理的图像进行语义分割；步骤3.3、采用模糊C均值算法对语义分割后的图像进...

【技术特征摘要】
1.一种基于深度学习的目标检测方法，其特征是，包括步骤如下：步骤1、选取训练分类器所需训练样本，其中训练样本包括正例样本和负例样本，正例样本为包含有待检目标的图片，负例样本为不包含待检目标的任意图片；上述所有训练样本都被归一化为同样的尺寸大小；步骤2、采用均值滤波器对训练样本进行去噪，再利用神经网络对去噪后的训练样本进行特征提取；步骤3、用训练样本来训练分类器：步骤3.1、用预先制作的感兴趣区掩模与训练样本相乘，对于感兴趣区内的图像值保持不变，而感兴趣区外的图像值都为0，得到感兴趣区图像；步骤3.2、采用分水岭算法对掩膜处理的图像进行语义分割；步骤3.3、采用模糊C均值算法对语义分割后的图像进行像素聚类操作，生成建议窗口；步骤3.4、判断生成的建议窗口与实际窗口的重叠度是否大于设定的重叠度阈值，如果是，则用线性回归的方法对建议...

【专利技术属性】
技术研发人员：张向利，郝艳茹，闫坤，张红梅，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西,45