一种基于改进三维R-CNN算法的多目标检测方法技术

本发明专利技术公开了一种基于改进三维R‑CNN算法的多目标检测方法，包含以下步骤：A、建立3D‑CNN网络模型；B、改进R‑CNN算法；采用卷积神经网络对所检测图片的RGB和D信息进行融合；卷积神经网络采用卷积层、池化层与集合层三者交替连接的方式，并且在最后一个集合层之前采用连续卷积的方法；C、对改进算法的仿真与分析。本发明专利技术有效地结合了RGB图像和深度图像的互补信息，提高了检测精度，成功率高，为联合检测RGB‑D图像提供了新的途径。

A multi-target detection method based on improved 3D r-cnn algorithm

【技术实现步骤摘要】
一种基于改进三维R-CNN算法的多目标检测方法
本专利技术涉及人工智能
，具体是一种基于改进三维R-CNN算法的多目标检测方法。
技术介绍
近年来，卷积神经网络(CNN)的研究和应用不断深化和成熟。与传统的手工设计特征相比，CNN的自学习特征可以大大克服复杂光照、部分遮挡、角度旋转等问题的影响，无论是计算机视觉还是机器视觉领域，都占据了主流地位。传统的基于机器学习的特征检测方法是通过梯度直方图(HOG)、尺度不变特征变换(SIFT)或SURF提取特征，提取的特征被输入到支持向量机(SVM)、贝叶斯分类器、ADABOOST分类器或其他用于特征检测的分类器中。这些方法基本上利用人工设计和制造特征作为图像表示的工具，这就要求研究人员具有相当扎实的专业知识和丰富的经验。因此，设计过程比较主观，缺乏理论指导，导致最终特征不均匀，难以适应天气和光照条件的变化，泛化能力差。在卷积神经网络神经网络中，RossGirshick的RegionCNN(RCNN)遵循传统目标检测的思路，同样分以下四个步骤即采用提取框法、框内提取特征法、图像分类法、非极大本文档来自技高网...

【技术保护点】
1.一种基于改进三维R-CNN算法的多目标检测方法，其特征在于，包含以下步骤：/nA、建立3D-CNN网络模型；/nB、改进R-CNN算法；采用卷积神经网络对所检测图片的RGB和D信息进行融合；卷积神经网络采用卷积层、池化层与集合层三者交替连接的方式，并且在最后一个集合层之前采用连续卷积的方法；/nC、对改进算法的仿真与分析。/n

【技术特征摘要】
1.一种基于改进三维R-CNN算法的多目标检测方法，其特征在于，包含以下步骤：
A、建立3D-CNN网络模型；
B、改进R-CNN算法；采用卷积神经网络对所检测图片的RGB和D信息进行融合；卷积神经网络采用卷积层、池化层与集合层三者交替连接的方式，并且在最后一个集合层之前采用连续卷积的方法；
C、对改进算法的仿真与分析。


2.根据权利要求1所述的一种基于改进三维R-CNN算法的多目标检测方法，其特征在于，所述3D-CNN网络模型是在普通CNN网络基础上增加了时间维度来处理连续图像信息，并在降采样层和卷积层上考虑了时间维度信息。


3.根据权利要求2所述的一种基于改进三维R-CNN算法的多目标检测方法，其特征在于，所述3D-CNN网络的基本输入是连续的图像帧，模型计算公式为式中，代表层l输出中(i,j,t)点的输出值，代表层l(a)中(i,j,t)点的输入值，代表卷积层的激活函数，选择sigmoid函数作为激活函数。


4.根据权利要求3所述的一种基...

【专利技术属性】
技术研发人员：呼子宇，张翮翔，高泽航，王杉，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13