基于深度神经网络的船只目标识别技术研究

基于深度学习的实时目标检测与识别算法研究

近年来，随着计算机视觉领域的不断发展，基于深度学习的目标检测和识别算法越来越受到人们的关注。这些算法以较高的准确率和较低的误报率在图像和视频领域中大放异彩，被广泛应用于人脸识别、自动驾驶、智能安防等领域。本文将深入探讨基于深度学习的实时目标检测与识别算法的研究现状和进展。

一、深度学习在目标检测和识别中的应用

传统的目标检测和识别算法主要采用传统计算机视觉技术，例如特征提取、分类器等方法，在图像或视频中实现目标的定位和分类。然而，这种方法的准确率和效率受到提取的特征和选择的分类器等因素的影响，存在诸多局限性。相比之下，深度学习算法以极强的适应性和泛化性著称，能够在大规模数据集中自主学习和提取特征，从而实现在图像和视频中的目标检测和识别。基于深度学习的目标检测和识别算法主要分为两类：一是基于区域提取的算法，例如R-CNN、Fast R-CNN、Faster R-CNN等；二是基于回归的算法，例如YOLO和SSD等。

二、基于区域提取的算法 基于区域提取的算法能够实现较高的检测精度，它们主要由三个组成部分构成：候选区域提取、卷积神经网络(CNN)特征提取和分类器。其中，候选区域提取的目的是确定图像中可能存在目标的位置和尺寸，这些区域由一些算法自主提取，例如选择性搜索(Selective Search)等。在确定好候选区域后，这些区域经过CNN网络进行特征提取，在最后的分类器中进行图像分类。这类算法与传统的目标检测方法相比，能够在一定程度上提高检测精度和泛化性，然而速度较慢，难以满足实时目标检测的需求。

三、基于回归的算法

基于回归的算法能够在保持较高检测精度的同时，大大提高实时目标检测的速度。它们主要采用单次前向传递的方式，与区域提取方法不同，能够基于整个图像完成目标的识别和定位。例如，YOLO(v3)算法采用了Darknet-53网络进行特征提取，通过较小的神经网络输出预测框和类别得分信息，对图像中的目标进行定位和分类。这类算法以其高速度和较高的准确度著称，能够广泛应用于诸如自动驾驶等智能化场景的实时目标检测和识别。

基于深度学习的目标识别技术

目标识别技术是近年来人工智能领域中备受关注的一项研究课题，其其中一个重要应用领域是自动驾驶车辆。基于深度学习的目标识别技术具有较强的鲁棒性及可扩展性，在识别准确度、稳定性、处理速度等方面有很大的优势。本文将具体介绍基于深度学习的目标识别技术的原理、方法和应用。

一、目标识别技术的概念及应用

目标识别技术是指通过计算机技术将输入的图像或视频中的感兴趣目标自动识别出来。它是人工智能的重要组成部分，在物体检测、目标跟踪、人脸识别、景物识别、文字识别等领域都有着广泛的应用。比如在自动驾驶汽车领域，目标识别技术可以精确判断交通信号灯、行人、障碍物及其他车辆等对象，从而实现自动驾驶。

二、基于深度学习的目标识别技术原理

基于深度学习的目标识别技术主要包括以下几个步骤：输入图像，特征提取，目标检测，分类和输出。其中，特征提取和目标检测是深度学习模型中最关键的两个环节。

特征提取：特征提取是将图像的底层信息抽象出来，并转化成高级别的语义特征。它是目标识别技术的基础步骤。以物体识别为例，通过卷积神经网络（CNN）模型，可以将输入的图像分成多层，每一层提取出图像中的特征。这些特征包括边缘、线条、颜色等，通过多层抽象和融合，得到更高级别的语义特征。

目标检测：目标检测是指在图像中自动检测出感兴趣的目标。基于深度学习的目标检测技术主要有两种，一种是基于区域提取的检测方法，另一种是基于锚点的检测方法。基于区域提取的检测方法主要是运用候选区域生成算法（如Selective

Search、Edge Boxes等）得到图像中感兴趣的目标区域，再通过卷积神经网络（CNN）分类模型来判断这个物体是否被检测到。而基于锚点的检测方法则是将多个锚点（Anchor）作为先验框，进行物体检测。 三、基于深度学习的目标识别技术方法

现今，基于深度学习的目标识别技术主要有两个流派，一是基于单级联模型，另一个是基于多阶段级联的模型。

龙源期刊网

基于神经网络的人脸识别技术研究

作者：张晓林 刘平

来源：《中国科技博览》2017年第36期

[摘 要]人脸识别属于一种刚刚兴起的生物特征识别技术，生物特征鉴别是通过人体自身特征 进行身份识别认证的一种技术，具有很过优点，例如唯一性，不以伪造，不可窃取，安全可 靠等。在众多生物特征的识别技术当中，人脸识别更为直接友好，方便，且更易接受，它具 有非侵犯性，主动性等非常多的优点，是一种较为理想的验证身份的手段。因其具有这些特 点，使它成为了计算机模式识别，人工智能识别的宠儿。在21 世纪这样科技高速发展的时

代，安全问题不容忽视，这也为人脸自动识别开辟了一个应用的前景。为了提高人脸识 别系统的准确性，人们提出了许多方法来进行识别。

[关键词]神经网络；人脸识别；技术

中图分类号：TE425 文献标识码：A 文章编号：1009-914X（2017）36-0191-01

前言

人类情感表达最重要和最直接的载体就是人脸，通过对人脸的识别可以推断出一个人的种族、地域、身份、地位等，因此人脸识别的研究不仅满足人工智能应用的研究，而且推进对人类视觉系统的认识。人脸识别的任务就是利用识别技术抽取输入的静态或者动态人脸图像，用来确定人的身份。采用人脸识别技术并建立自动人脸识别系统，利用计算机实现对人脸图像的自动识别有着广泛的应用前景。人脸识别涉及到图像处理、计算机视觉、模式识别以及神经网络等学科，使其成为一项极富挑战性的课题。

二、神经网络的研究现状及发展趋势

作为人工智能研究的一个重要组成部分，人工神经网络已然成为神经科学、认知科学、脑科学、计算机科学和数理科学等研究领域的热门焦点，其对突破现有科学技术瓶颈，更加深入探索非线性等复杂问题起到了重大的作用。工程应用领域中，人们通常能够根据已知数据来建立某种模型结构，以完成多维空间的近似映射。神经网络与纯数学方法相比，由于其强大的函数逼近能力，使其最终具有一定的容错范围，因而更加灵活。具体来看，人工神经网络主要有以下优点：人的形象思维的模拟能力；大规模并行协同处理能力带来较快的处理速度；对不确定性系统的学习和自适应；较强的容错能力和联想能力；非线性映射能力，可无限接近任意复杂的非线性关系。

第１３卷第２期　２Ｏｌ４年２月　软件导刊　Ｓｏｎｗａｒｅ　Ｇｕｉｄｅ　Ｖｏ１．１３ＮＯ．２　Ｆｅｂ．２０１４　

基于神经网络的数字识别技术研究　

刘　锦　（武汉大学信息管理学院，湖北武汉４３００７２）　

摘　要：将图像的像素特征与矩特征结合，构建了神经网络分类器，利用提取的特征向量对分类器进行了训练和测　试。将图像二值化，并归一化为１６＊１６大小，提取了其每个像素点的０、１特征共１６＊１６—２５６维，图像的网格特征　１３维，及Ｈｕ矩特征７维，一共２７６维特征。建立了ＢＰ神经网络分类器，分别使用最速下降ＢＰ算法、动量ＢＰ算法、　学习率可变ＢＰ算法对ＢＰ神经网络分类器进行了训练，得出了在相同条件下学习率可变ＢＰ算法训练时间短，收敛　快的结论。建立了ＰＮＮ神经网络分类器，与ＢＰ神经网络分类器性能进行比较，实验结果表明，ＰＮＮ神经网络分类　器性能更好。　关键词：神经网络；数字识别；特征提取　中图分类号ｉＴＰ３１２　文献标识码ｉＡ　文章编号：１６７２—７８００（２０１４）００２—００５８—０３　

０　引言　

数字识别是模式识别领域的一个重要分支，在表单自　动读取、信息录入等方面有着重要作用。图像的像素特征　反映了图像的大量信息，稳定性好、易于实现。其矩特征　具有平移、旋转和缩放不变性，匹配性好　］。　人工神经网络是由大量简单的基本元件——神经元　相互连接，通过模拟人的大脑神经处理信息的方式，进行　信息并行处理和分线性转换的复杂网络系统　］。自１９４３　年心理学家ＭｃＣｕｌｌｏｃｈ和数学家Ｐｉｔｔｓ提出神经元生物学　模型以来，人工神经网络经过不断地发展成熟，至今已经　广泛地应用于各个领域。本文将图像的像素特征和矩特　征相结合，用于人工神经网络分类器的训练和测试，获得　了良好的识别效果。　１图像特征提取　

特征提取是根据测量数据确定出对分类有意义的数据　作为特征数据，这些特征类内样本距离应尽量小，类间样本　距离应尽量大　］。特征提取算法应具有较高的稳定性和鲁　棒性，同时又便于提取，易于实现。在特征提取之前，需要　对图像进行预处理。首先，将图像进行二值化处理，保证目　标像素值为１，背景像素值为０；然后，将图像归一化为１６＊　１６像素大小。在完成图像二值化和归一化的基础上，再对　图像的像素特征和Ｈｕ矩特征进行特征提取。　１．１像素特征提取　将１６＊１６的二值图像矩阵转化为２５６维的０、１向　量，得到图像的２５６维像素特征。　将图像水平分成四份，垂直分成两份，分别统计这８　个区域内白像素的个数，得到８维特征。水平和垂直各划　两条线把水平和垂直分割成三分，统计这四条线穿过的白　像素的个数，得到４维特征。字符图像全部白像素数作为　１维特征，得到图像的１３网格特征　，数字１—９的１３网　格特征如表１所示。　表１数字１—９的１３网格特征