2026《Faster-RCNN车辆检测算法分析案例》2000字.docxVIP

PAGE

PAGE30

PAGE

Faster-RCNN车辆检测算法分析案例

目录

TOC\o1-3\h\u16519Faster-RCNN车辆检测算法分析案例 1

18151.1Faster-RCNN算法原理 1

170531.1.1特征提取网络 3

2761.1.2RPN网络 3

221511.1.3RoIPooling 4

142971.1.4全连接层 5

292691.2特征提取网络的选取 5

1.1Faster-RCNN算法原理

Faster-RCNN是一个具有代表性的深度卷积神经网络得的目标分类算法，是R-CNN系列算法的第三代。FasterR-CNN的出现将目标检测的候选区域生成、特征提取、分类、位置精修统一到了一个深度网络的框架之内。

FasterR-CNN基本结构如图4所示。整个FasterR-CNN分为四个部分：特征提取网络、候选检测框生成的网络RPN、RoIpooling、Classsifier。特征提取网络：共享卷积网络作为FasterR-CNN和RPN的前端网络，先需要通过深度卷积计算提取图像的特征图，该特征图会应用于接下来的区域候选网络层和全连接层。目前使用的主流网络有VGG16和ResNet。本文采用ResNet-50模型提取图像特征给RPN和ROI网络。

图4ResNET网络结构图

RPN（RegionProposalNetwork,区域候选网络）。区域候选网络可以看作是FasterR-CNN算法中最重要的改进。它的主要功能是生成区域候选（RegionProposal）。通俗来说，区域候选框可以看做是许多潜在的包含4个坐标的边界框（anchor）。在目标检测之前，检测网络并不能预测出图片中目标物体的数量，所以区域候选网络一般会在图像上预先生成若干个候选框，并最终输出包含目标的可能性最大的候选区域，也称之为Anchor，训练阶段会不断的调整区域候选的位置，使其与真实物体框的偏差最小。

RoIPooling。该层将综合输入的特征图和候选区域的信息，提取候选区域的特征信息并送入全连接层，对目标进行分类。在一张特征图中，候选区域的大小是不相同的，而在FasterR-CNN之后的分类网络中，输入尺寸都固定为7*7。所以无论输入的尺寸是多大，都用7*7的网格覆盖原区域的每一个网格，然后在新生成的候选区域上取原覆盖区域内的最大值。这样就会是任意大小的Proposals都能被polling成了7*7的大小。

Classification。利用候选区域和特征那个图，通过全连接层与Softmax分类器计算候选区的类别，同时利用boundingboxregression获得每个候选区的位置偏移量，获得检测框最终的精确位置。

1.1.1特征提取网络

特征提取网络利用CNN对输入的图片进行特征提取，提取特征的卷积网络可以是任何一个能学习图像特征得到特征图的网络结构。特征提取网络参数过多，所以一般会采用一些已经被广泛使用的网络结构。特征提取网络所提取的特征图、质量会直接影响到RPN网络、Classsifier的性能，因为生成的特征图像将被分别送到RPN模块生成目标候选区和RoIpooling、Classifier中进行目标分类以及目标位置回归。特征提取模块对整个卷积网络起到关键性作用，决定着整个网络的性能好坏。目前使用的主流网络有VG16和ResNet，ResNet网络的残差模块在输入和输出之间建立的直接连接可以解决退化问题，所以本文采用ResNet50结构来提取图像的特征。

ResNet网络残差模块结构如图5所示。

图5残差模块结构

1.1.2RPN网络

在RCNN与FastR-CNN等目标检测算法中，通常都是用传统的SelectiveSearch方法来提取候选框，这种方法比较耗时。FasterR-CNN采用区域候选网络专门来提取候选框，一方面是因为区域候选网络时长消耗少，另一方面是它可以很容易结合到FasterR-CNN中。区域候选网络的引入，可以说是真正意义上把目标检测的整个流程融入到了一个神经网络中。

区域候选网络首次出现是在FasterR-CNN算法中，被用来专门提取候选框，它的本质就是使用滑动窗口在最后的卷积层上滑动。RPN网络可以是任何尺寸的图片作为输入，输出的是若干个矩形候选框，每一个候选框都对应一个目标存在在这个框中的概率和位置信息。RPN网络将特征提取产生的公共FeatureMap作为输入经过slidingwindow处理，slidingwindow可以看作是两次3*3和5*5的卷积