王君洋，叶传奇，朱炳旭

（河南科技大学 软件学院，河南 洛阳 471003）

0 引言

目标检测为我们的生活提供了极大的便利，受到越来越多人的重视。目标检测算法主要分三类，第一类是传统的目标检测算法：Cascade+HOG，DPM+Haar，SVM。第二类是候选框+深度学习分类：R-CNN，Fast R-CNN，Faster R-CNN等。第三类则是基于深度学习的回归方法：YOLO，SSD，DenseBox等。其中SSD算法在保留了速度和精度的同时还有比较好的准确率和性能。SSD包含大量的网络模型，其不同点主要在于被检测图像的大小不一样。本文主要研究图像识别领域TensorFlow的应用。

1 TensorFlow框架

TensorFlow是一个用于数值计算的开源框架，主要采用数据流图。TensorFlow是人工智能领域处理分析的主要工具，同时也是一个用于机器学习和深度学习的开源平台。在深度学习领域，TensorFlow经常被用于自然语言处理、语音识别以及图像识别等。

1.1 TensorFlow的特点

TensorFlow具有极大的灵动性、移植性，能够自动求取微分、支持多语言、性能高度改良。

1.2 TensorFlow Object Detection API库

TensorFlow Object Detection API库的目的是创建一个在单个图像中精确定位和识别多个事物的机器学习模型。这个API是基于Tensorflow构造的开源框架，不仅有利于在目标检测的模型中构建、训练和部署，同时在处理物体检测问题中也可以使用。而在一个画面帧中检测许多不同物体的过程就是物体检测过程，因此可以将其运用在熊猫这个数据模型中。

2 SSD算法

YOLO回归的概念和Faster-RCNN中的Anchor机制被结合在SSD中。为了维持YOLO快速的特性，同时确保保留在窗口预测过程中Faster-RCNN算法比较精准的性能，可以利用全图多尺度区域在各个地方进行回归满足需求。……