【交通标志识别的R-CNN系目标检测算法分析案例1500字】

交通标志识别的R-CNN系目标检测算法分析案例1.1R-CNNR-CNN目标检测算法与之前的目标检测算法相比较，是一种新型的目标检测算法，它是由RossGirshick等人提出的。R-CNN目标检测算法的步骤可以分为以下几个模块：第一模块是区域框的提取，第二模块是区域框的特征提取、第三模块是图像分类、第四模块是非极大值抑制。R-CNN算法与传统目标检测算法区别就在于区域框特征提取。R-CNN创造性的将传统特征提取方法(如Harris、SIFT、SURF、HOG等)替换为了深度的卷积神经网络。R-CNN模型如图4-12所示。图4-12R-CNN模型R-CNN模型的具体步骤如下：第一步输入图像，R-CNN网络采用选择性搜索的方法从图像中大致提取出2000余个候选区域框（RegionProposal），这些提取出的候选框尺寸各不相同，所以需要将每一个候选区域框设置成为固定尺寸并送入到CNN模型之中，随后将CNN得到的结果作为特征，输入到分类器SVM中进行分类，就可对候选区域中的物体进行分类并且得出概率。1.2FastR-CNN FastR-CNN目标检测算法作为R-CNN目标检测算法的改进版本，本质与R-CNN目标检测算法的基本算法流程大致相同。在实现步骤方面，均可以分为候选区域的生成、特征提取、目标分类以及模块的定位。相较R-CNN目标检测算法，FastR-CNN目标检测算法优势更加突出，优势体现在不仅训练时间有所降低，检测效率也有所提升。FastR-CNN目标检测算法的流程图如4-13所示。图4-13FastR-CNN目标检测流程 和R-CNN相对比，FastR-CNN快的原因在于FastR-CNN是将整张图片进行了特征的提取，再将候选区域框的特征映射到卷积层。对比R-CNN，将图像的每一个候选区域框进行特征提取要方便的多。FastR-CNN将目标框分类和回归结合在了一起，因此在后面不需要进行分类和回归网络进行分布训练，相当大程度上简化了训练的过程，训练时的特征数据也就不需要大量的计算机内存。 正是因为有了FastR-CNN目标检测算法的出现，解决了R-CNN出现的一些问题，例如训练、测试速度不快等等。另一方面，由于R-CNN对图像候选区域进行选取的时候会进行重叠，候选框特征提取可能会出现冗余的现象；而FastR-CNN目标检测算法可以避免R-CNN那样存在的冗余现象，FastR-CNN会将图像进行归一化处理后直接送入卷积神经网络中，直接从图像提取了候选区域框。1.3FasterR-CNN FastR-CNN目标检测算法相比R-CNN目标检测算法虽然速度已经提高了很多，但是在网络训练时仍然要进行候选框的提取，一旦进行候选框的提取就需要花费大量的时间。针对这个问题，RossB.Girshick之后提出了FasterR-CNN目标检测算法。FasterR-CNN目标检测算法是在FastR-CNN目标检测网络的基础上，增加了RPN网络。RPN网络的作用是生成区域候选框，其中就包括VGG16网络，用于提取候选区域的特征图。FasterR-CNN目标检测算法的检测流程如图4-14所示。图4-14FasterR-CNN目标检测流程FasterR-CNN中重要组成部分之一就是RPN网络，RPN网络内部通过全连接的方式连接，作用是生成候选区域[49]。ZF中，首先会生成一个尺寸为3*3的卷积核充作滑窗，之后在特征图上会进行高维特征的提取。将它输入到256维的区域中，在最后输进全连接层中，就可以得到交通标志图像的分类信息和位置信息。根据FastR-CNN可以很好解决训练时间过长以及执行速度慢的问题，FasterR-CNN依旧采用FastR-CNN作为检测网络。ROIPooling通过RPN网络可以得到候选的ROI列表，通过卷积获得目标所有的特征，进行分类以及回归，检测网络共享的内部特征，根据全连接网络和Softmax得到每个待检目标的类别，利用边框回归可以获得物体准确的位置[50]。FasterR-CNN主要由五个流程构成[51,52]。流程一，输入任意尺寸大小的图片数据。流程二，FasterR-CNN目标检测网络利用VGG16网络进行特征图像的提取，提取的特征图用于后面RPN网络和全连接层，这一流程被称作使用CNN对样本进行特征的提取。流程三，为了判断出锚点属于前景还是背景，利用RPN网络生成候选区域框，并将修正锚框进行回归用来获得精确的候选