基于神經(jīng)網(wǎng)絡(luò)的特定目標(biāo)檢測與識別.pdf

1、神經(jīng)網(wǎng)絡(luò)從被提出至今，進(jìn)展顯著，激發(fā)了各個(gè)研究領(lǐng)域的學(xué)者的濃厚興趣。目標(biāo)檢測以及識別領(lǐng)域也有不少成功運(yùn)用神經(jīng)網(wǎng)絡(luò)的案例。本文采用神經(jīng)網(wǎng)絡(luò)進(jìn)行了特定目標(biāo)的檢測與識別，包括驗(yàn)證碼識別與行人檢測兩個(gè)工作，均取得了理想的效果。
　　對于驗(yàn)證碼識別，該過程主要分為圖片預(yù)處理、分割字符、識別字符三個(gè)過程，其中字符分割是該過程的最大難點(diǎn)。本文針對投影法分割字符時(shí)容易將單個(gè)字符誤分割為多個(gè)字符的缺點(diǎn)進(jìn)行了算法改進(jìn)，采取一種延時(shí)判斷字符邊界的方法來

2、改進(jìn)投影法，強(qiáng)化邊界判斷的條件，取得了較好的修正效果。本文在小樣本的前提條件下對比分析了BP神經(jīng)網(wǎng)絡(luò)和深度卷積神經(jīng)網(wǎng)絡(luò)的測試效果。最終選擇了準(zhǔn)確度更高、速度更快的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行驗(yàn)證碼識別。
　　本文中的行人檢測主要由行人檢測候選框生成和行人識別兩個(gè)過程組成。針對背景分布穩(wěn)定的場景，本文提出了一種基于在線高斯模型的行人檢測候選框的快速生成方法(OL_GMPG)。對于上述場景，該方法采用高斯模型擬合行人尺寸分布的方式，可以通過生成較

3、少數(shù)目的行人候選框達(dá)到較高的檢測率；并可通過高斯模型的學(xué)習(xí)與更新過程，獲取場景中行人頻繁出現(xiàn)的位置以及對應(yīng)的目標(biāo)尺度信息，為后續(xù)的行人識別及跟蹤過程提供了輔助作用，解決了每幅圖像設(shè)置過多行人檢測候選框，影響系統(tǒng)實(shí)時(shí)性的問題。本文采用深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行行人目標(biāo)的識別，卷積核大小、網(wǎng)絡(luò)層數(shù)等參數(shù)對整個(gè)網(wǎng)絡(luò)的檢測結(jié)果與訓(xùn)練效率有著重要的影響。通過比較分析，本文采用深度為7，卷積核大小為9*9的CNN模型進(jìn)行訓(xùn)練和識別，避免了傳統(tǒng)行