范智翰

（四川大学视觉合成图形图像技术国防重点学科实验室，成都610065）

0 引言

在图像处理工作中，目标检测作为科研人员研究的热门领域，主要采用识别图像中目标位置的技术，用于解决“是什么？在哪里”的问题。自2012 年AlexNet的诞生后，目标检测领域科研人员的研究方向从传统向深度学习转变，因为基于深度学习的目标检测不仅具有较低的误检率和漏检率，并且随着显卡性能高速增长准确率也逐渐接近理想值。近年来目标检测最热门的应用领域是道路目标检测，无论是近年来各大科技公司投入巨资的无人驾驶汽车领域，还是有着不错前景的车载摄像头测距，都迫切的需要一个准确率与实时性俱佳的目标检测算法。

传统目标检测方法一般是在给定的图像上选出一些候选区域，之后对这些区域提取特征，这个过程一般需要人工来获取原始输入中与目标有关的表达信息，最后在提取出的与目标相关的特征信息上进行分类器学习，例如经典的SIFT［1］、HoG［2］等方法。然而这些方法都有一个明显缺陷，就是特征的选取会受限于算法设计者的经验与复杂的实际情况，这会导致设计者在特征选取上较为困难，并且可能出现选取特征不足以较为完整地描述该目标导致信息丢失的情况。

卷积神经网络（Convolutional Neural Network，CNN）结合了人工神经网络和卷积运算，对不同类型的目标及诸如形变、截断以及扭曲等特殊情况也具有良好的鲁棒性；除此之外它通过稀疏连接和权值共享大大减少了传统神经网络的参数数量，很多基于卷积神经网络的检测方法或模型在各种目标识别场景中都获得了令人较为满意的结果。……