基于Faster R-CNN的无人机侦察目标检测方法∗
2020-06-19史国川拓浩男曹宇剑
史国川 拓浩男 曹宇剑 王 民 丁 健
(1.陆军炮兵防空兵学院 合肥 230031)(2.合肥学院 合肥 230601)
1 引言
2005年Navneet Dalal将方向梯度直方图(HOG)方法用于行人检测以来,有关目标检测和识别方面的理论和应用研究越来越深入和广泛,取得了一定的检测和识别效果,但检测的准确度还不是很理想。2010年Felzenszwalb在HOG算法的基础上进行了改进,提出了可变形组建模型(DPM),与HOG算法相比检测效果有一定的提升。随着深度学习理论的推广和应用,2012年Krizhevsky等提出了深度学习目标检测方法,运用深度CNN较好地解决了大规模图像分类问题,与DPM算法相比,检测的准确度的有显著的提高。本文选用Faster R-CNN模型作为无人机侦察目标检测方法,来提高无人机侦察目标检测和识别的准确率,具有很高的实用价值[1~7]。
2 Faster R-CNN模型
Faster R-CNN模型由RPN(region proposal net⁃work)和Fast-R-CNN两个模块组成。提取候选框由RPN负责,目标检测和识别由Fast-R-CNN检测模块来完成。Faster R-CNN模型的目标检测过程如图1所示,其检测过程分为四步:
第一步:生成RP;
第二步:提取特征;
第三步:目标分类;
第四步:优化边界框。
为了能够满足实时检测的需要,计算在GPU中实现,并将上述四步融合到一个深度网络框架之中,从而大大提高了运行速度[8~12]。

图1 Faster R-CNN模型的目标检测过程
2.1 RPN模块
SPP-Net和Fast-R-CNN模型在一定程度上能缩短目标检测运行时间,不足之处在于计算RP时间过长。为了解决上述问题,快速提取目标检测区域,采用RPN来替代Fast-R-CNN选择性搜索方法,使用CNN直接来产生RP,通过滑动窗口来实现。与传统的方法相比,该方法只要在最后的卷积层上滑动一遍即可。……
