基于卷积神经网络的目标检测开题报告

1. 研究目的与意义

深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合，机器学习在本质就是寻找一个好用的函数来实现某个功能。深度学习从大类上可以归入神经网络，不过在具体实现上有许多变化。深度学习的核心是特征学习，旨在通过分层网络获取分层次的特征信息，从而解决以往需要人工设计特征的重要难题。深层学习算法近年来发展迅速，在目标检测算法领域占有领先地位。深度学习的优点是学习能力强；覆盖范围广，适应性好；可移植性好，图片识别的例子可以应用到其他领域。深度学习算法通常基于大量的训练样本，依靠卷积神经网络强大的特征提取能力来实现分类。与传统的检测算法相比，该算法虽然训练速度慢，计算量大，但可以实现高精度的识别效果。[1]

卷积神经网络这一术语的灵感来自于对生物学中大脑视觉皮层的研究，受到视觉系统的神经机制启发、针对二维形状的识别设计的一种生物物理模型，在平移情况下具有高度不变性，在缩放和倾斜情况下也具有一定的不变性。[2]其最基础的一种结构是，输入首先通过卷积层得到响应，然后经过刺激层做非线性变化。神经网络是生物科学和信息科学交叉的产物。在理论上，卷积神经网络是一种特殊的多层感知器或前馈神经网络。

目标检测是一个复杂的过程，不仅需要分辨出物体，还需要用边界框从背景中圈出它的具体位置。所以目标检测不仅需要目标分类，更需要目标定位。也就是说目标检测需要识别物体在哪和物体是什么这两个问题，要识别物体在哪，神经网络用带有坐标和长宽标签的大量的这类物体做数据，用神经网络预测的点的位置和长宽的均方差来训练得到。在现实生活中，因为图片中物体并不是单一个体，所以会出现不可避免的目标遮挡，在更多情况下，有可能会出现自身形变，这也对目标检测造成了更大的困难。[3]传统目标检测的方法一般分为三个阶段：首先在给定的图像上选择一些候选的区域，然后对这些区域提取特征，最后使用训练的分类器进行分类。传统方法采用级联分类器框架分别为haar特征 adaboost算法，hog特征 svm算法，acf 特征 adaboost算法，dpm算法。因为最初的haar结构特征太简单，只适合做刚性物体检测，无法检测行人等非刚性目标，所以在haar的基础上，又提出了hog特征 svm算法结构。但当前社会的目标检测任务已经从传统的字符、水果等简单目标变为大型动物、汽车、行人等复杂目标，传统方法都是通过人工提取特征，需要在领域专家通过多年的积累和经验才能手工设计出来，卷积神经网络是通过大量的数据，自动学习到能够反应数据差别的特征，更具有代表性；对于视觉识别来说，卷积神经网络分层提取的特征与人的视觉机理（神经科学）类似，都是进行边缘-部分-全体的过程。在更复杂的场景中，检测更复杂的目标，显然，卷积神经网络更有优势。

事实上图像和视觉一直以来就是机器学习领域所钟爱的方向，只不过在深度学习出现之前，能达到使用的应用并不多。而在深度学习出现后，尤其是2012年之后，基于深度学习图像和视觉应用迅速覆盖了生活的方方面面。[4]2012年，hinton课题组为了证明深度学习的潜力，首次参加imagenet图像识别比赛，其通过构建的卷积神经网络框架alexnet一举夺得冠军，且碾压第二名（svm方法）的分类性能。也正是由于该比赛，卷积神经网络吸引到了众多研究者的注意。而后，卷积神经网络的发展进入爆发期。

2. 研究内容和预期目标

本课题主要想从传统目标检测和基于深度学习的目标检测的对比入手，深度学习是一个框架，包含多个重要算法:对于不同问题(图像，语音，文本，视频)，需要选用不同的网络模型才能达到更好效果。

本课题旨在了解常见的卷积神经网络类型网络框架，在了解常规的目标检测算法基础上，了解常规的框架，对比这些框架的优缺点并做出分析，从中找出最合适的框架，完成目标检测。

本次实验准备以车辆检测为目标，随着中国经济的持续快速增长，车辆已成为人们生活中不可或缺的代步工具，而面对这一工具，人们也对它提出了更高的技术要求——无人驾驶，在此领域中，对车辆进行目标检测，是对该技术的一大基础要求。

3. 研究的方法与步骤

初期准备阶段：先查阅卷积神经网络相关资料，深入了解其基本概念；了解传统的目标检测方法，与基于深度学习的目标检测的速度与识别率进行对比。

研究阶段:在了解卷积神经网络基本概念的基础上，研究它的多种框架结构，选定合适的框架，在卷积神经网络检测过程中改变框架中的重要参数并加入人工检测与之对比计算其识别准确性。

实践阶段：实践主要包括两个过程：模型训练和模型测试。在模型训练开始之前，了解数据集的制作方法，在模型训练阶段，为了提高训练车辆检测模型的准确率，改变相关参数，对模型进行微调。在模型测试阶段，主要利用多种场景下的测试样本来验证模型的准确性和有效性。

4. 参考文献

[1]黄咨. 基于卷积神经网络的目标检测模型的研究[d]

[2]于进勇,丁鹏程,王超.卷积神经网络在目标检测中的应用综述[j]. 计算机科学, 2018, 45(s2):27-36.

[3]叶韵.深度学习与计算机视觉,机械工业出版社.2017.

5. 计划与进度安排

（1）2022.2.25-2022.3.10查阅资料，填写开题报告，完成外文资料的翻译。

（2）2022.3.11-2022.3.17 熟悉matlab环境及图像处理工具箱。

（3）2022.3.18-2022.4.10 学习卷积神经网络，了解常用的用于检测的cnn类型。