[发明专利]基于改进卷积神经网络的对象检测装置及方法

说明书

本发明提供了的基于改进卷积神经网络的对象检测方法，该方法包括：采集已标记对象的标记图像；采用随机采样法，对改进卷积神经网络进行初步训练，获取初步分类的正样本和负样本，以及对应的分类概率值，再根据分类概率值，选择一定比例的正样本和负样本，对改进卷积神经网络进行训练，获取训练好的对象检测模型；输入待检测图像；采用对象检测模型对待检测图像进行对象检测，输出检测结果。与现有技术相比，本发明能快速准确地实现图像中的对象检测。

技术领域

本发明涉及图像处理、视频监控以及安防，特别涉及对象检测装置及方法。

背景技术

对象检测是一种利用计算机对图像进行处理、分析和理解，以检测各种不同模式的对象的技术。目前对象检测技术在智能交通、图像搜索、商品推荐、用户行为分析以及人脸检测等互联网应用产品中具有巨大的商业市场和良好的应用前景，同时在智能机器人、无人自动驾驶和无人机等高新科技产业以及生物学、医学和地质学等众多学科领域具有广阔的应用前景。

早期的对象检测技术主要采用尺度不变特征变换(Scale-invariant featuretransform,SIFT)和方向梯度直方图(Histogram of oriented gradients,HOG)等特征提取方法，将提取到的特征输入至分类器中进行分类检测。这些特征是人工选取的，针对不同的识别问题，提取到的特征好坏直接影响系统性能。因此，这类识别技术只能针对某一特定的识别任务，范化能力较差，难以实际推广应用。

深度学习是机器学习的一个分支，自2006年由Geoffrey Hinton和他的学生提出以来，受到了极大的关注。2011年以来，研究人员首先在语音识别问题上应用深度学习技术，将准确率提高了20％～30％，取得了十多年来最大的突破性进展。2012年后，基于卷积神经网络的深度学习模型再大规模图像分类任务上取得了非常大的性能提高，掀起了深度学习研究的热潮。

“Rich Feature Hierarchies for Accurate Object Detection and SemanticSegmentation.R Girshick，J Donahue，T Darrell，J Malik.Computer Vision&PatternRecognition,2013:580-587”公开了一种基于R-CNN的精确对象检测和分割方法，但计算量很大，无法实时进行检测。“Spatial Pyramid Pooling in Deep Convolutional Networksfor Visual Recognition.K He，X Zhang，S Ren，J Sun. 《IEEE Transactions onPattern Analysis&Machine Intelligence》,2014, 37(9):1904-16”公开了一种基于SPP-net(空间金字塔池化卷积神经网络)的图像识别方法，该方法降低了训练过程中过拟合的可能性，但实现过程较复杂，时间成本和空间代价较高。“Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks.S Ren，K He，R Girshick，JSun.《IEEE Transactions on Pattern Analysis&Machine Intelligence》,2016:1-1”公开了一种基于Faster R-CNN 的对象检测方法，该方法通过多任务损失学习方式提高了算法的准确率，但是训练耗时较大。

综上所述，目前迫切需要提出一种快速且识别准确率高的对象检测装置及方法。

发明内容

有鉴于此，本发明的主要目的在于实现对象的快速检测，且检测准确率高。

为达到上述目的，按照本发明的第一个方面，提供了基于改进卷积神经网络的对象检测装置，该装置包括：

标记图像采集模块，用于采集已标记对象的标记图像；