基于深度學習的圖像目標定位識別研究

林湧濤 崔寧 趙志俊 李淵 黃婉馨

摘? 要：為了解決常規圖像目標定位識別方法存在的識別準確率較低問題，實現圖像目標精準定位識別，該文設計一種新的基于深度學習的圖像目標精準定位識別方法，提取圖像CNN特征以降低定位識別難度，構建圖像定位深度學習識別模型以提高識別圖像的特征表達能力，設計Faster圖像定位識別算法以優化識別網絡結構，從而實現圖像目標定位識別。實驗結果表明，設計的圖像目標深度學習精準定位識別方法的識別準確率較高，識別效果較好，符合圖像目標定位識別的需求，有一定的應用價值。

關鍵詞：深度學習；圖像；目標；定位；識別；研究

中圖分類號：TP391? ? 文獻標識碼：A? 文章編號：2096-4706（2023）02-0083-04

Research on Image Target Location and Recognition Based on Deep Learning

LIN Yongtao， CUI Ning， ZHAO Zhijun， LI Yuan， HUANG Wanxin

（School of Information Engineering and Business Management， Guangdong Nanhua Vocational College of Industry and Commerce， Guangzhou? 510507， China）

Abstract： In order to solve the problem of low recognition accuracy of conventional image target location and recognition methods， and achieve image target accurate location and recognition， this paper designs a new image target accurate location and recognition method based on deep learning， extracts image CNN features to reduce the difficulty of location and recognition， and constructs an image location deep learning recognition model to improve the feature expression ability of the recognized image， Fast image location and recognition algorithm is designed to optimize the recognition network structure， so as to achieve image target location and recognition. The experimental results show that the designed image target deep learning precise location recognition method has high recognition accuracy and good recognition effect， which meets the needs of image target location and recognition and has certain application value.

Keywords： deep learning; image; target; location; recognition; research

0? 引? 言

智能化技術的發展改變了信息載體，各種各樣的計算機視覺技術應運而生[1]，在圖像識別與定位中發揮著不可替代的作用。圖像信息的來源較廣泛，包括監控提取、照片等，因此圖像信息具有復雜性[2]。常規的圖像目標定位識別方法無法保證圖像目標定位識別的準確率，因此需要設計一種新的圖像目標定位識別方法。針對目前的圖像識別問題[3]，有研究人員設計了相關的圖像識別系統。盡管這種新型系統能進行圖像分割，提取圖像目標信息[4]，但由于圖像信息數量較多，種類豐富，這種新型系統也出現了難以解決的漏洞。

事實上，圖像目標識別也可以看作一個數據處理過程，往往可以根據獲得的圖像數據[5]，識別特定的圖像目標，完成圖像識別判斷。因此，要想提高圖像目標識別的精確度，就必須要模擬人類識別圖像的過程，完成圖像識別理解。深度學習可以根據圖像樣本的特征及所含規律，判斷圖像樣本的表達狀態[6]，從而進一步針對圖像進行智能分析。其主要以內部的CNN網絡以及Auto encoder編碼為基礎，完成識別學習任務，因此具有較高的精確性。本文根據識別圖像的特征，基于深度學習設計了一種新的圖像定位識別方法，為計算機視覺的發展作出了一定的貢獻。

1? 圖像目標深度學習精準定位識別方法設計

1.1? 提取圖像CNN特征

常規的圖像目標定位識別方法在面臨較多的圖像時不具備普適性，無法有效地進行特征識別，因此，本文使用CNN提取了圖像特征[7]。首先結合CNN學習原則對圖像進行特征表達，其次再使用Caffe學習工具構建訓練架構。該訓練架構具有AlexNet結構，能滿足各種類型圖像的特征提取需求，但在提取特征前必須進行局部歸一化處理，即使用Rectified Liner Units進行修正識別[8]，設計符合圖像特征提取需求的提取激活函數，該函數定義式Relus（x）如式（1）所示：

（1）

式（1）中，x表示激活因子，if x＞0表示特征極值，otherwise表示圖像增益點，此時可知，圖像特征提取遵循圖像特性增益原則，存在一個合理的線性正向變量空間，因此也含有較多的特征激活點。在進行圖像特征提取時需要使用相應的特征提取接口進行處理，使用load_image加載圖像，進行特征聯系。此時各個卷積層的特征可以用特征圖像網格表示，如圖1所示。

由圖1可知，從各個圖像中提取的特征可以依次排列在該特征網格中，便于進行后續的特征識別分析。

目標特征與目標對象始終存在一定的對應關系，因此在特征提取的過程中要利用CNN對圖像進行平移、縮放測試，判斷特征與特征之間的歐氏距離，確定特征提取縮放參數[9]。由于圖像目標定位的精確性要求較高，因此使用選擇搜索法對目標圖像進行分割，即選取合理的目標網絡，進行CNN卷積，得到高維特征圖像，從而構建合理的CNN特征提取網絡，完成特征提取。

使用上述構建的CNN特征提取網絡進一步進行IRPN特征訓練，選擇合理的候選目標進行調節，此時的特征提取損失函數L（P，PI）如式（2）所示：

L（P，PI）=-log[PPI +（1-P）（1-P）]? ? ? ? ? ? ?（2）

式（2）中，P、PI均表示特征提取對象損失系數，可以結合該公式，判斷特征提取損失，有效地進行回歸分類處理，從而提升圖像特征的提取效果，提高精確性。

1.2? 構建圖像目標深度學習定位識別模型

構建深度學習定位識別模型可以有效地激活定位識別因子，避免部分激活函數消失造成的定位識別誤差。本文設計的圖像目標定位識別方法設計了有效地激活函數，受神經元的修正關系影響，激活函數內部的參數始終處于變化狀態。為了降低激活函數內部偏差，提高識別因子學習速度，進行權值更新，使用exponential linear unit指數線性單元來完成二次激活[10]。所設計的指數線性單元定義式f （x）如式（3）所示：

（3）

式（3）中，x表示線性單元，α代表變換指數，ex代表控制參數，此時該函數存在一個平均導數，計算式如式（4）所示：

（4）

此時可以假設識別參數均為正，不存在復雜的信息變化關系，則此時的激活函數存在一個常量因子，該常量因子可以控制激活函數的激活幅值，降低梯度消失對圖像目標定位識別造成的影響，提高識別的準確率。

激活函數選取完畢后必須要對現有的神經網絡進行卷積操作。在一般情況下，選取的卷積核應該與上述指數線性單元相擬合，但受圖像的種類及特征影響，在選擇卷積層時必須要進行池化處理。本文使用均值池化法確定池化窗口存在的重疊區域，消除了SPP多尺度信息，減小了圖像輸入映射產生缺陷的可能。在池化過程中，需要將種類不同的圖像放置在同一特征維度中進行處理，處理示意圖如圖2所示。

由圖2可知，該操作可以最大程度上降低圖像信息損失產生的可能性，進一步提高圖像的特征表達能力，減小操作難度。基于此，構建的圖像目標深度學習定位識別模型如式（5）所示：

（5）

式（5）中，w表示目標識別間隔，s表示識別區域面積，t表示圖像目標識別時間，y表示最大化識別最優解，d、b均表示支持向量。使用該模型進行圖像目標定位識別處理時，可以將其看成一個非等式條件下的最優值求解問題，從而提高圖像目標定位識別精度，減小其出現識別誤差的頻率。

1.3? 設計Faster圖像定位識別算法

僅使用上述設計的圖像目標深度學習定位識別模型進行圖像目標定位識別很容易出現識別響應問題，為了解決該問題，本文又設計了有效的定位識別算法。神經網絡受特殊性影響，具有不同的層次，每一層都需要對目標圖像進行分類識別處理，避免圖像更新產生的較高識別損失。此時可以設計輸出特征計算式F，如式（6）所示：

（6）

式（6）中，f表示輸入激活函數，W、I均表示卷積核，B表示偏執量。使用該公式對圖像進行降維處理，結合圖像連接層狀態進行分類變換，獲取分類參數。此時設計連接層分類表達式F0，如式（7）所示：

F0= f （WT+B）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（7）

式（7）中，T表示識別連接層的特征值，在識別的過程中，預測值與實際識別值之間存在著一定的誤差，此時使用代價函數對識別圖像進行重新定義，定義式J如式（8）所示：

（8）

式（8）中，h（x）表示代價函數，y表示識別樣本，μ表示正則化處理參數，m表示正則化處理項受圖像正則化影響，在進行自變量修正時會產生ReLU函數，該函數主要符合神經網絡的反向傳播特性。本文設計的方法進行了誤差反饋，及時更新了識別網絡中的權值，使其在下次迭代時必須使用更新參數，減少目標定位識別損失。此時設計的Faster圖像定位識別算法h如式（9）所示：

h= f （wt x+k）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

式（9）中，wt表示識別學習率，k表示圖像識別偏置權值，此時結合Faster圖像定位識別算法有效地對選取的圖像進行目標定位識別，保證識別的準確率。

2? 對比實驗

為了驗證本文設計方法的識別效果，選取合理的圖像目標定位測試集，將其與常規的圖像目標定位識別方法進行對比實驗。

2.1? 實驗準備

本文選取Window 10作為測試平臺，搭建了合理的深度學習TensorFlow實驗框架。為了滿足實驗需求，本文將Python 3.0x作為開發軟件，并配置了CPU為3.30 GHz的I9-8520處理器。除此之外，由于實驗圖片占用空間較大，為避免測試效率過低，本文還為其配置了64 GB的子處理器，安裝了內存為256 GB的外接Intel硬盤。此時可以向測試平臺中輸入部分測試數據，驗證選取的數據集狀態。驗證結果表明，選取的MNIST圖像數據集符合實驗需求，部分MNIST圖像數據集中的圖片如圖3所示。

由圖3可知，圖像數據集中的圖像均具有一定的特征，符合目標識別定位需求。該數據集內共有約56 465幅識別圖像，在實驗過程中可以隨機選取任意數量的圖像進行識別。

結合上述的圖像數據集以及數據集內圖片的幀率，創建一個實驗專屬序列幀，獲取不同幀內的圖像，并對其進行預測分類。各個類型的圖像編碼及其分類權重如表1所示。

由表1可知，本文選取的數據集內的數據類型較多，與常規的CIFAR-10數據存在一定的差異。因此，為了提高實驗的有效性，在實驗開始前對現有的圖像數據進行增強處理，使用圖像數據增廣法對圖片進行裁剪，將其縮放到合適的尺寸并調節圖像的敏感度。為了避免圖像過度擬合，在圖像處理后重新進行圖像驗證。在Ubuntu 16.04中進行試驗訓練，設計有效的圖像訓練矩陣，并使用Nvidia GTX 1080 CUDA 9.0進行訓練計算，試驗流程圖如圖4所示。

由圖4可知，該試驗網絡屬于一種優化后的殘差網絡，存在輸入層、加權層、輸出層與激活層。計算每一層的誤差，更新相關參數，完成訓練梯度及訓練權重的更新。全部試驗完成后，將試驗結果保存到特定文件中，便于后續實驗參數的提取。結合上述準備過程可以設計圖像目標定位識別準確率計算式a0，如式（10）所示：

（10）

式（10）中，area（Bp∩Bgt）表示成功完成目標識別的圖像數量，area（Bp∪Bgt）表示圖像總數量，使用該公式可以有效地判斷圖像目標定位識別狀態，分析不同識別方法的識別精度差異。

受實驗過程中生成的Feature Map影響，可能隨機出現不同類型的Faster RCNN/Fast RCNN共享特征集合。為了避免上述作用對實驗造成的影響，還需要額外對網絡結構及網絡參數層進行設定，如表2所示。

由表2可知，上述本文設定的網絡結構及網絡參數層具有共享特征，滿足實驗Backbone網絡的連接需求，實驗過程中，無須修改全連接層數即可完成參數設置，降低了實驗的難度，提高了實驗的有效性。

2.2? 實驗結果

結合上述的實驗準備，進行圖像目標定位識別實驗。在上述搭建的實驗平臺中，分別使用本文設計的圖像目標深度學習精準定位識別方法和常規的圖像目標識別定位方法對圖像數據集中的若干圖像進行識別，并使用式（10）計算兩種識別方法的識別準確率。實驗結果如表3所示。

由表3可知，本文設計的圖像目標深度學習精準定位識別方法在連續10次識別中的識別準確率均較高，而常規的圖像目標定位識別方法的識別準確率較低。證明本文設計的圖像目標定位識別方法的識別效果較好，識別精度較高，具有一定的應用價值。

3? 結? 論

綜上所述，在圖像目標定位識別過程中，受圖像數量及來源復雜度的影響，其目標識別準確率往往較低，不滿足目前的圖像目標定位識別需求。因此本文設計了一種新的圖像深度學習目標定位識別方法并進行實驗。結果表明，設計的圖像目標定位識別方法的識別準確率較高，證明其識別效果較好，具有較高的識別精度，符合目前的圖像目標定位識別需求，可以作為后續計算機視覺研究的參考。

參考文獻：

[1] 類成敏，牟少敏，孫文杰，等.基于多尺度注意力殘差網絡的桃樹害蟲圖像識別 [J].山東農業大學學報：自然科學版，2022，53（2）：253-258.

[2] 張冉，李明周，鐘立樺，等.基于圖像識別的銅轉爐吹煉造渣期渣含Fe預測模型研究[J].有色金屬：冶煉部分，2022（4）：21-30.

[3] 唐標，沈映泉，黃緒勇，等.基于改進型蟻群算法和圖像識別的變電站機器人路徑規劃和設備缺陷識別研究 [J].制造業自動化，2022，44（2）：46-52.

[4] 馮裕清，楊信廷，徐大明，等.基于遷移學習和金字塔卷積網絡的河蟹個體圖像識別方法研究 [J].漁業現代化，2022，49（1）：52-60+71.

[5] 姚青，姚波，呂軍等.基于雙線性注意力網絡的農業燈誘害蟲細粒度圖像識別研究[J].中國農業科學，2021，54（21）：4562-4572.

[6] 肖懿，羅丹，蔣沁知，等.基于溫度概率密度的變電站高壓設備故障熱紅外圖像識別方法 [J].高電壓技術，2022，48（1）：307-318.

[7] 曹文艷，王然風，樊民強，等.MRMR和SSGMM聯合分類模型的煤泥浮選系統藥況圖像識別 [J].控制理論與應用，2021，38（12）：2045-2058.

[8] 張紅斌，熊其鵬，蔣子良，等.聯合SENet異構層特征融合與集成學習的材質圖像識別 [J].控制與決策，2022，37（6）：1632-1642.

[9] 孫文杰，牟少敏，董萌萍，等.基于卷積循環神經網絡的桃樹葉部病害圖像識別 [J].山東農業大學學報：自然科學版，2020，51（6）：998-1003.

[10] 趙若晴，王慧琴，王可，等.基于方向梯度直方圖和灰度共生矩陣混合特征的金文圖像識別 [J].激光與光電子學進展，2020，57（12）：98-104.

作者簡介：林湧濤（2004.12—），男，漢族，廣東揭陽人，初級工程師，本科在讀，研究方向：數據分析；崔寧（1987.05—），男，漢族，安徽宿州人，講師，碩士研究生，研究方向：智慧教育與學習；趙志俊（1978.03—），男，漢族，廣東廣州人，副教授，初級工程師，本科，研究方向：圖形圖像處理；李淵（2000.08—），男，漢族，廣東梅州人，初級工程師，本科在讀，研究方向：軟件技術；黃婉馨（2003.07—），女，漢族，廣東江門人，初級工程師，本科在讀，研究方向：軟件技術。

收稿日期：2022-09-26

基金項目：2023年廣東省科技創新戰略專項資金（“攀登計劃”專項資金）（pdjh2023b0929）；廣東省高職教育教學改革研究與實踐項目（GDJG2021175）；2021年校級質量工程移動互聯網應用技術協同創新中心階段性成果（2021ZL01）