基于深度学习的实时目标检测.doc

摘  要：伴随着目标检测的技术在不断进步，它在图像处理和视觉领域中越来越重要，主要是对图片或者视频检测出人们既定的目标。传统的目标检测方法没有针对性，窗口冗余，且时间复杂度高，鲁棒性性太差。自从深度理论学习提出以来，越来越多的研究人员和学者开始采用深度学习理论去解决目标检测的问题。相对于传统的目标检测来说，卷积神经网络特征提取和分类同时进行，而且卷积网络对目标进行特征提取不需要对原始图片进行修剪或者压缩的操作，从而会提取到更完整和准确的特征信息。与此同时随着卷积网络层数的增多，其检测时间也会变短，处理复杂背景的能力也会的到相应的增强。本文根据深度学习理论，选择YOLOv3模型，YOLOv3通过K-means聚类生成9个anchor box，从而实现多尺度特征预测。所以YOLOv3对小物体的检测精度比较高，而且检测物体的时间非常短，其mAP（平均精度）远远大于其他物体检测。而且在网络中使用了残差结构，很好的保证了网络梯度的稳定。选择keras做算法框架，tensorflow做keras的后端，代替keras计算张量。从而来完成车辆的实时检测。从实验效果表明，检测效果比较好。

关键词：目标检测；深度学习；实时；卷积神经网络；YOLOv3模型

目录

摘要

Abstract

1绪论-1

1.1 选题背景与意义-1

1.2 国内外研究现状-1

1.2.1目标检测研究现状-1

1.2.2深度学习研究现状-2

1.3研究内容-2

2深度学习理论与框架-4

2.1深度学习理论-4

2.1.1深度学习基本概念-4

2.1.2深度学习训练过程-4

2.2深度学习模型-4

2.3 深度学习框架与使用工具-7

2.3.1 python-7

2.3.2 TensorFlow-7

2.3.3 keras-7

3 目标检测相关算法-8

3.1基于传统目标检测相关算法-8

3.1.1图像预处理-8

3.1.2 特征提取-9

3.1.3分类决策-12

3.2基于深度学习的目标检测-14

3.2.1卷积神经网络-14

3.2.2RCNN原理-17

3.2.3YOLO原理-18

4基于深度学习的实时物体检测实现-21

4.1算法框架-21

4.2实验步骤与对应的结果-24

4.3实验结果-27

5总结与展望-29

5.1论文总结-29

5.2未来展望-29

致谢-30

参考文献-31

附录-32