一种基于SSD改进的小目标检测算法
2020-02-04贾小云曾奇
贾小云 曾奇
(陕西科技大学电子信息与人工智能学院 陕西省西安市 710021)
目标检测是计算机视觉方向的研究热点[1]之一,在视频监控,违法车辆检测,智能车牌识别,行人识别检测等各领域[2]起着决定性作用。与此同时,目标检测技术也是一项十分具有挑战性的任务[3]。目标检测算法分为传统目标检测算法和深度学习目标检测算法两类,传统的目标检测算法包括可变形部件模型[4]和滑动窗口模型[5],这两种方法采用提取到的特征和一些分类器进行结合,利用尺度不变特征(Scale Invariant Feature Transform, SIFT)[6],方向梯度直方图(Histogram of Oriented Gradient,HOG)[7],Haar[8]等人工设计的特征结合SVM, Adaboost 等一些分类器,对数据的特征进行识别分类,得到检测结果。除此之外,还有根据数据特征进行模型建立,最后对模型进一步训练优化,得到检测结果。这种方法包括Hough 变换[9],光流法[10],背景减除法[11],帧差法[12]。
深度学习中的卷积神经网络取代了以前手工设计特征的特点,通过卷积计算的形式自主学习位于不同层级的特征,这样得到的特征结果不但表示特征能力强[13],而且更加的丰富多样。主要包括基于区域提议检测和基于回归的检测算法。基于区域提议框是先通过生成候选目标区域算法(例如Selective Search)产生一些目标候选区域,而后将得到的目标候选区域经过卷积神经网络提取与之相关的数据特征,最终用提取到的特征来预测待检测对象中目标的类别和定位。其代表算法有:R-CNN[14],Fast R-CNN[15], Faster R-CNN[16]等。基于回归的检测算法摒弃了费时的目标区域生成过程,而是直接用预先设计好的方法将默认框划分开,随之进行分类和回归,有效地改善了目标对象的检测速度,同时也满足检测系统的实时性要求。……
