基于卷积神经网络的目标检测算法综述

胡伏原，李林燕，尚欣茹，沈军宇，戴永良

（1.苏州科技大学 电子与信息工程学院，江苏 苏州215009；2.苏州市虚拟现实智能交互及应用技术重点实验室，江苏 苏州215009；3.苏州市大数据与信息服务重点实验室，江苏 苏州215009；4.苏州经贸职业技术学院 信息技术学院，江苏 苏州215009；5.昆山市农业信息中心，江苏 昆山215300）

目标检测是计算机视觉中一项非常重要的任务，其主要目的是在图像中定位出目标边框的位置以及识别该目标所属的类别。近年来，目标检测在无人驾驶（如道路检测[1]、交通灯检测[2]）、机器人视觉[3－4]、安防监控[5－7]以及遥感影像分析[8－9]等方面有着广泛的应用。

自2013年提出利用卷积神经网络（CNN）实现目标检测以来，目标检测任务大多数采用基于卷积神经网络的算法。论文针对提取图像特征的方式，将目标检测算法分为基于人工特征的目标检测算法和基于卷积神经网络的目标检测算法[10-14]。

基于人工特征的目标检测算法一般需要人工设计特征描述算子（如SIFT[15]、Haar[16－17]、HOG[18－19]等）提取图像特征，然后利用分类器（如Adaboost[20]、SVM[21]、DPM[22]等）进行图像特征分类，实现目标检测。这些算法在检测不同类型目标的时候，需要设计不同的模型提取特征。2001年提出的Viola-Jones（VJ）[23]检测器，首次实时实现了人脸检测。该算法采用多尺度Haar 特征算子快速提取图像特征，引入级联思想解决多尺度目标特征的重复搜索问题，减少AdaBoost 计算量，从而实时实现人脸检测。2010年提出的基于HOG（Histograms of Oriented Gradients）特征的DPM（Deformable Part Model）在传统的目标检测方法中取得最优的检测结果，在Pascal VOC 上取得了34%的平均精度。……