基于深度学习的目标检测与识别算法

黄镜尘 李光 李敏

摘要：随着科技的不断发展，基于深度学习的目标检测与识别算法已经可以应用于各种不同的场景之中。本文从当下比较流行的两大类算法出发，分别从算法的原理介绍以及基本的工作流程进行介绍，将五类识别算法优缺点进行逐一分析。对今后的学术研究方便进行合适的选择。

关键词：目标检测;算法;目标识别

目标识别一般要求研究系统具有较高的识别准确度，这是进行识别最基本的要求，精确识别样品中的目标数量是根本所在，识别系统的一切基础功能包括其拓展都是建立在成功识别出一个个目标模型之上建立的。二是拥有较快的识别速度[1]，由于现在的目标识别工作都有着大量的计算量，放在正常的PC设备上面处理这些数据集需要有很多繁琐的步骤需要一步步进行处理，更何况是把这些处理放在树莓派中进行，每一个部分都需要花费巨大的时间，因此在保证识别准确性和精准度的同时，能否拥有一定的识别速度就成为一个很重要的问题。三是目标识别技术的出现在有众多便利的同时，其安全性稳定性也是一个需要我们考虑的重要因素，如何保证系统可以长时间稳定运行也是该项目顺利完成的一个重要诉求。

1.R-CNN基本原理及工作流程

首先需要获取所要检测的图像，需要使用选择性搜寻，然后大约选择2000个上下的无关类的待选择的区域;把上一步选择的区域进行转化，转变为大小统一的图片类，并且会使用卷积神经网络模型将每一个区域的特征进行提取收集;将每一个候选区域借由使用特定类型的线性支持向量器分类器来进行分类，并且通过线性回归的方法，对获得的坐标边框进行精致修正。……