摘要: 目标检测是计算机视觉领域的一个重要的基础组成部分，计算机视觉是一门综合了计算机科学和数学等领域的学科，通过对机器输入图像和视频，机器对其进行解析并进行处理从而提取其内部所含信息，最终实现和人类视觉相似的功能。随着电子信息和互联网技... 展开 目标检测是计算机视觉领域的一个重要的基础组成部分，计算机视觉是一门综合了计算机科学和数学等领域的学科，通过对机器输入图像和视频，机器对其进行解析并进行处理从而提取其内部所含信息，最终实现和人类视觉相似的功能。随着电子信息和互联网技术的不断发展，在一些特定的环境和设备中，需要对图像中重要信息进行提取，并对一些感兴趣目标进行检测识别。目标检测主要有两大任务，分别是物体分类和定位。就是在复杂的场景中对感兴趣目标进行甄别，确定其类别以及具体的位置，由于不一样的事物的大小、姿态、颜色等特征各不相同，所以对于目标检测技术能够适用不同场景是很具有挑战的。本文通过对基于深度学习的目标检测算法进行研究，为了提高对目标进行检测的准确度，以及小目标检测困难等问题，对FasterR-CNN网络模型进行改进优化，经过实验仿真验证，本文进行改进的目标检测算法相较于原FasterR-CNN算法对目标的检测性能更加优越。本文具体研究内容如下: 1、提高目标检测的精确度。首先对FasterR-CNN算法的结构进行分析，FasterR-CNN算法是由卷积神经网络、区域推荐网络(RPN)、FastR-CNN网络构成，该算法不需要额外的算法实现区域选择，只需要共同使用卷积神经网络就可以完成。在FasterR-CNN网络中，区域建议网络和FastR-CNN网络通过使用CNN网络就可以完成特征的提取与建议框的生成，缩减了卷积计算次数，使整个算法的工作效率得到了提升。为了提高对目标进行检测的精确度，根据人眼的视觉网络的工作启发，在区域推荐网络中加入视觉注意力机制来加强目标的显著性。注意力机制可以使人的眼睛在观察一个复杂的画面时，对于画面中的事物侧重点不同，可以很快的看向自己感兴趣的事物，而忽视掉其他的事物。通过将视觉注意机制与RPN网络进行结合，来提高对图像中所需目标的显著性，这样就可以在最终的目标检测中提高对目标检测的准确度。 2、对于小目标检测困难的问题。在进行目标检测时，由于图像中目标尺度不同，一些小尺度目标检测困难，为此，针对这一问题，本文通过对FasterR-CNN网络中的特征提取层进行分析，借鉴特征金字塔的思想，提出了一种多特征融合提取特征的策略，特征提取网络每次输出特征图会逐级缩小，使得每一特征层输出的特征信息不同，深层的特征信息会忽略底层的一些边缘、颜色、形状、纹理等低级信息。本文通过对特征提取网络输出的每一层进行自上向下和自底向上的融合，再将两次融合后形成的特征金字塔通过按元素求和的融合方式融合，使得最后输出的特征既包含了深层特征层的语义信息又包含了浅层特征层的特征细节信息，提高了算法对于小目标的检测准确度。 收起