基于卷積神經網絡目標檢測算法的應用

何秀穎

摘 要：近年來，卷積神經網絡在圖像分類、目標檢測、圖像語義分割等領域取得了一系列突破性的研究成果，其強大的特征學習與分類能力引起了廣泛的關注，具有重要的分析與研究價值。隨著我國科技化的快速發展，智能監控技術的應用也在快速的發展。智能監控技術現在主要是依靠目標檢測來實現，但是，在傳統的目標檢測技術上還存在一些不足之處。比如，目檢測效果不夠好，誤檢率高等。因此，繼續對目標檢測算法進行研究和優化仍然具有重要意義。在本文中，將討論深度卷積神經網絡在目標檢測任務中實際應用，同時該技術的產生對城市管理和智能監控技術的發展帶來的深遠意義。

關鍵詞：智能監控；卷積神經網絡；目標檢測

隨著信息技術的快速發展，全社會科技化發展的步伐逐年加快，不斷帶動了各個行業的科技化發展。尤其是在目標檢測算法這一塊的發展，伴隨著深度學習卷積神經網絡在目標檢測上的使用，使得目標檢測的精度，效率，類別都在不斷的逐步優化，識別的準確率保持在高精度的水平上。同時，由于技術的先進，算法效果的優異，其應用的領域也在不斷的擴大。

1 卷積神經網絡簡介

深層神經網絡是目前的主要形式，其神經元間的連接模式受啟發于動物視覺皮層組織，而卷積神經網絡則是其中一種經典而廣泛應用的結構.卷積神經網絡的局部連接、權值共享及池化操作等特性使之可以有效地降低網絡的復雜度，減少訓練參數的數目，使模型對平移、扭曲、縮放具有一定程度的不變性，并具有強魯棒性和容錯能力，且也易于訓練和優化。

卷積神經網絡（Convolutional Neural Network），是在機器學習中常用的深度前饋神經網絡。卷積神經網絡的基本組成包括卷積層，池化層，激勵層和全連接層，它的基本結構由特征提取層和特征映射層組成。

卷積層將卷積計算運用于輸入，將結果傳遞給下一層。同時，卷積模擬了單個神經元對視覺刺激的反應；池化層是在上層經過特征提取之后對特征矩陣進行劃分，然后通過在每個區域上計算該區域內特征的均值或最大值來參與后續的訓練；激勵層是將卷積層的輸出結果進行非線性映射；全連接層是把每一層的神經元與另一層神經元連接起來，其原理與傳統的多層感知器神經網絡基本相同。

2 卷積神經網絡在目標檢測中的應用

2.1 道路行人檢測上的應用

基于卷積神經網絡的道路行人的檢測上已經投入使用，在部分城市的道路監控系統中已經得到了很好的運用，通過使用這種技術來實現行人過馬路的違規檢測。當行人在違規穿越馬路時，道路監控攝像頭就會將視頻數據實時采集下來傳到后臺處理平臺，然后在后臺處理平臺上使用卷積神經網絡行人檢測算法來對非法過馬路的行人進行檢測。在檢測到行人的情況下再采用其他識別算法來對行人進行識別，從而將行人身份信息反饋至違章顯示平臺來警示違法過馬路的行人。通過使用卷積神經網絡來檢測行人，使得誤檢率大大降低，檢測速度和效果明顯的到提升。

2.2 停車場車輛檢測

建立采用卷積神經網絡技術來實現停車場車輛檢測的管理系統，可以及時掌握機動車在停車場的停放數量，當機動車經過停車場的入口處時，安裝在停車場進口處的攝像頭會拍到車輛的經過，此時，在系統的同步處理下，后臺處理器對車輛進行檢測，在檢測到車輛的情況下觸發傳感器自動打開欄桿，同時將車輛計數，然后將停車場空位數量反饋至入口大屏幕上，以便管理整個停車場的停車情況。在使用這種系統的情況下，能夠實現完全自主管理的自動化停車場，大大減輕了人力管理的不便，同時提高了停車場車輛停放和空車位管理的效率。

2.3 車牌識別

通過利用卷積神經網絡來搭建車牌檢測識別系統，可以隨時掌握機動車在公路上的運行情況。在利用卷積網絡的情況下，車牌檢測的正確識別率可達到百分之九十九以上。當車輛在通過攝像頭檢測點時，后臺啟動的深度卷機網絡識別算法會自動在視頻中捕捉車牌信息，同時將檢測并識別到的車牌信息反饋至數據中心，數據中心根據車牌信息來作出相應的處理命令。該技術在部分大城市的立體公交樞紐的應用應該較為合適。在該技術的使用下，后臺管理人員能夠合理的掌握公交車輛運行信息，從而在合理的情況下安排和調動適應運行的公交車輛。同時，在這種情況下大大提升了交通的運輸效率，能對道路堵塞起到一定的緩解作用。

2.4 人臉檢測識別

通過使用深度卷積神經網絡在人臉檢測上的運用，使得人臉檢測再一次獲得新的突破。在使用深度卷積網絡對人臉進行檢測上，人臉檢測的精度，準確率相比較于傳統的算法而言有了很大的提升，對人臉的辨別率更為敏感，更容易在檢測的過程中捕獲人臉從而達到識別。同時，在實際運用中，將該人臉檢測識別技術嵌入到智能門禁上，能夠大大提升家庭安全，同時也使得家庭防盜更為便捷，有效。

3 總結

綜上所述，將卷積神經網絡技術應用在目標檢測領域內，可以有效的提升目標檢測的質量。同時，在工業應用的領域內，能夠實現更加智能化的檢測系統，從而達到各類工業需求與應用。同時，它克服了過去人工智能中被認為難以解決的一些問題，且隨著訓練數據集數量的顯著增長以及芯片處理能力的劇增，它在目標檢測和計算機視覺、自然語言處理、語音識別和語義分析等領域成效卓然，因此也促進了人工智能的發展.

但是，伴隨著技術的不斷更新，卷積網絡在檢測上的應用也會遇到不一樣的問題和挑戰。所以，在未來隨著技術不斷的進步和優化，卷積神經網絡技術也會更好的被應用到各個領域內，開闊更多可應用的領域，未來的發展前景會越來越好，技術也會越來越成熟。

參考文獻：

[1]李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016，36（09）：2508-2515+2565.

[2]盧宏濤，張秦川.深度卷積神經網絡在計算機視覺中的應用研究綜述[J].數據采集與處理，2016，31（01）：1-17.

[3]Selective Search for Object Recognition[J].J.R.R.Uijlings，K.E.A.Sande，T.Gevers，A.W.M.Smeulders.International Journal of Computer Vision.2013 （2）.