王婷婷 程鸿芳

摘要：目前主流的基于CNN的目标检测算法大致分为两大类：一类是2-stage检测算法，把检测问题分为两个阶段，首先生成候选区域，然后再对候选区域进行分类，这类算法的典型代表是基于region proposal的R-CNN系列算法，如R-CNN、Fast R-CNN、Faster R-CNN等;另一类是1-stage检测算法，对图像中的每一个部分都会进行预测，而且还可以直接生成对象的类别概率以及其位置坐标值，不需要region proposal阶段，也就是不需要生成候选区域，比较典型的算法有YOLO和SSD。在此基础上，設计并实现了一个基于CNN模型的目标检测系统，其开发环境为Windows10，使用了Tensorflow的深度学习框架，利用PyQt5作为界面的开发框架，底层使用Python语言。

关键词：目标检测;CNN模型;Tensorflow;Python

0 引言

CNN（Convolutional Neural Network）是一种前馈神经网络，其本质是一个多层感知机，它最开始并不是由计算机专业的学者提出来的，而是由一个生物学家在研究视觉皮层的时候提出。CNN人工神经元可以响应一部分覆盖范围内的周围单元，包括卷积层（convolutional layer）和池化层（pooling layer），其基本结构如图1所示。

CNN采用局部连接和权值共享的方式，减少了权值数量，使网络易于优化，降低了模型的复杂度，减小了过拟合的风险，在处理二维图像的问题上，特别是在识别位移、缩放及其他形式扭曲不变形的应用上，具有良好的鲁棒性和运算效率，在大型图像处理方面也有着出色表现，是深度学习算法应用最成功的领域之一。

1 系统环境配置

GPU版本为：

（1）系统：Linux;

（2）处理器：GPU RTX 2080Ti;

（3）已安装的内存（RAM）：16 GB+16 GB;

（4）固态硬盘：1 TB;

（5）系统类型：64位操作系统，基于x64的处理器。

本目标检测……