張錫聯(lián),段海濱

0 引 言

隨著無(wú)人機(jī)技術(shù)的發(fā)展，其應(yīng)用門(mén)檻也逐漸變低，這無(wú)疑提升了濫用無(wú)人機(jī)的可能性，同時(shí)對(duì)社會(huì)安全的帶來(lái)了極大威脅[1-2].因此需要對(duì)無(wú)人機(jī)目標(biāo)進(jìn)行檢測(cè)，以促進(jìn)后續(xù)飛行器防護(hù)壓制技術(shù)的發(fā)展.

近年來(lái)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)飛速發(fā)展，可分為兩階段目標(biāo)檢測(cè)方法和單階段目標(biāo)檢測(cè)方法.兩階段目標(biāo)檢測(cè)的方法主要有區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)、空間金字塔池化網(wǎng)絡(luò)(SPP-Net)、基于快速區(qū)域的卷積網(wǎng)絡(luò)(Fast R-CNN)、更快速區(qū)域的卷積網(wǎng)絡(luò)(Faster-RCNN)、特征金字塔網(wǎng)絡(luò)(FPN)、基于區(qū)域的完全卷積網(wǎng)絡(luò)(R-FCN)等方法.文獻(xiàn)[3]中介紹了R-CNN方法，先是利用選擇性搜索的方法產(chǎn)生感興趣的區(qū)域并規(guī)整化圖像區(qū)域，然后將相同尺度的圖片放到深度卷積網(wǎng)絡(luò)里面進(jìn)行提取特征，并利用支持向量機(jī)將該特征分類(lèi)，同時(shí)將特征傳進(jìn)回歸器得到邊界框的位置.為了解決R-CNN中對(duì)每一個(gè)目標(biāo)候選都要單獨(dú)提取特征的問(wèn)題，又進(jìn)一步提出了SPP-Net方法[4].在SPP-Net基礎(chǔ)上，文獻(xiàn)[5]中提出了Fast R-CNN方法,它主要是將支持向量機(jī)加回歸器的過(guò)程變成多任務(wù)分類(lèi)損失在整個(gè)網(wǎng)絡(luò)里進(jìn)行優(yōu)化的過(guò)程.為了進(jìn)一步克服Fast R-CNN中因產(chǎn)生候選區(qū)域而導(dǎo)致速度變慢的問(wèn)題，文獻(xiàn)[6]中提出Faster R-CNN方法.它主要使用區(qū)域網(wǎng)絡(luò)產(chǎn)生候選區(qū)域從而使得檢測(cè)速度進(jìn)一步提高.為了進(jìn)一步達(dá)到實(shí)時(shí)檢測(cè)的效果，文獻(xiàn)[7]提出了FPN的方法.首先從下往上提取特征，然后把特征從上往下進(jìn)行融合，在融合過(guò)程中將分辨率擴(kuò)大，進(jìn)一步加上前面對(duì)應(yīng)層的特征從而輸出新的特征.為了解決圖片分類(lèi)的平移不變性與物體檢測(cè)的平移變換性之間的矛盾，文獻(xiàn)[8]中進(jìn)一步提出R-FCN方法,其中主要考慮了位置敏感的區(qū)域信息，使得目標(biāo)檢測(cè)的效果更佳.

針對(duì)單階段目標(biāo)檢測(cè)，文獻(xiàn)[9]提出了單階段一次檢測(cè)(YOLO)的方法，文獻(xiàn)[10]和文獻(xiàn)[11]分別提出了單階段多框預(yù)測(cè) (SDD)和單階段目標(biāo)檢測(cè)網(wǎng)絡(luò)(RetinaNet)的方法.YOLO方法主要是將輸入的圖片直接生成目標(biāo)的位置，它將輸入的圖片用神經(jīng)網(wǎng)絡(luò)劃分成若干的格子，對(duì)每個(gè)格子去預(yù)測(cè)邊界框，同時(shí)給出邊界框和物體的重疊率、條件概率，最后結(jié)合預(yù)測(cè)框和種類(lèi)獲得輸出.SSD[10]是在YOLO基礎(chǔ)上增加了默認(rèn)框和多尺度特征，它可以對(duì)不同尺度特征圖中的目標(biāo)進(jìn)行預(yù)測(cè)，提高檢測(cè)精度.RetinaNet[11]采取降低背景樣本在訓(xùn)練中的權(quán)重的思路形成更加實(shí)用的檢測(cè)方法.

常見(jiàn)的兩階段目標(biāo)檢測(cè)和單階段目標(biāo)檢測(cè)方法都有不足之處.前者首先要生成目標(biāo)候選區(qū)域，因此存在著無(wú)法達(dá)到實(shí)時(shí)性的缺點(diǎn).后者雖然速度較快，但是由于傳統(tǒng)卷積網(wǎng)絡(luò)在所學(xué)特征對(duì)方向和尺度變化魯棒性上表現(xiàn)一般，因此對(duì)于小物體和重疊物體檢測(cè)效果不佳，導(dǎo)致精度下降.

為了在保證實(shí)時(shí)性的前提下，改進(jìn)傳統(tǒng)深層卷積網(wǎng)絡(luò)在所學(xué)特征對(duì)方向和尺度變化魯棒性較差的問(wèn)題，文獻(xiàn)[12]中使用Gabor濾波器生成相應(yīng)的特征，并將該特征作為神經(jīng)網(wǎng)絡(luò)的輸入.文獻(xiàn)[13]提出了新的Gabor卷積層，并使用該網(wǎng)絡(luò)層提高深度網(wǎng)絡(luò)特征提取的能力.這些方法都能在一定程度上改進(jìn)整體網(wǎng)絡(luò)的缺陷，但是都沒(méi)有在提出新網(wǎng)絡(luò)結(jié)構(gòu)的前提下，對(duì)所有的卷積層逐層提高性能.

本文的方法與傳統(tǒng)Gabor濾波器改進(jìn)神經(jīng)網(wǎng)絡(luò)[18-20]的方法不同.首先，直接使用Gabor濾波器改進(jìn)深度神經(jīng)網(wǎng)絡(luò)的基本元素卷積核，進(jìn)一步使用改進(jìn)后的卷積核構(gòu)建卷積層(GACN)，然后，用GACN卷積層搭建新的深層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取.最后，根據(jù)提取的特征進(jìn)行信息預(yù)測(cè)和算法驗(yàn)證.

本文的結(jié)構(gòu)如下：第1部介紹了Gabor濾波器的原理和基于Gabor濾波器的網(wǎng)絡(luò)結(jié)構(gòu)，并進(jìn)行特征提??；第2部分介紹了基于提取的物體特征進(jìn)行信息預(yù)測(cè)的原理；第3部分為實(shí)驗(yàn)和算法驗(yàn)證；第4部分是結(jié)論.

1 基于Gabor的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

1.1 Gabor濾波器的原理

Gabor函數(shù)是一個(gè)用于邊緣提取的線(xiàn)性濾波器，在空間域中，一個(gè)二維Gabor濾波器[14-15]是一個(gè)由正弦平面波調(diào)制的高斯核函數(shù).Gabor分為實(shí)部和虛部，用實(shí)部進(jìn)行濾波后圖像會(huì)平滑,虛部函數(shù)濾波后用來(lái)檢測(cè)邊緣,二者相互正交.一組不同頻率不同方向的Gabor函數(shù)數(shù)組更有利于提取文獻(xiàn)[21]圖像的輪廓和細(xì)節(jié)特征.Gabor濾波器的定義[15]如下：

(1)

由于Gabor濾波器具有方向和頻率信息，因此可以將方向信息編碼到普通卷積核中以增強(qiáng)所學(xué)特征對(duì)方向上的魯棒性，同時(shí)將頻率信息整合到不同的網(wǎng)絡(luò)層里面以增強(qiáng)所學(xué)特征對(duì)尺度變化上的魯棒性.

那么當(dāng)把每一層中的卷積核在Gabor濾波器調(diào)節(jié)操作后就會(huì)產(chǎn)生新的卷積核.因此，新的濾波器GAF可以由式(2)和(3)定義：

(2)

其中，F(xiàn)i,o是普通卷積核，ζ(u,v)是具有不同方向和尺度的濾波器，°就是按元素乘運(yùn)算.

因此，新的濾波器GAF由下式得到：

(3)

由于前向傳播中涉及到的權(quán)重是新濾波器中的信息，但是保留的權(quán)重僅僅是普通卷積核的權(quán)重，因此在反向傳播中僅僅需要更新普通卷積核Fi,o.在反向傳播中遵循如下的更新公式：

(4)

其中,L是損失函數(shù).

1.2 基于Gabor的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

該網(wǎng)絡(luò)受Darknet53網(wǎng)絡(luò)結(jié)構(gòu)[25]的啟發(fā)，在其基礎(chǔ)上重新設(shè)計(jì)得到.它主要使用大小為4×3×3和4×1×1卷積核進(jìn)行搭建，此處的大小不考慮通道數(shù).基于Gabor濾波器的深度卷積神經(jīng)網(wǎng)絡(luò)(GDCN)結(jié)構(gòu)如圖1所示.

圖1 基于Gabor濾波器的深度卷積神經(jīng)網(wǎng)絡(luò)Fig.1 Deep convolutional neural network based on Gabor filter

圖1中將GACN記作基于Gabor濾波器的卷積層，該濾波器的方向?yàn)閡=4.由于v和觀(guān)測(cè)尺度是反比關(guān)系，較小的v可以得到比較大的觀(guān)測(cè)尺度，用來(lái)提取輪廓特征；較大的v可以得到比較小的觀(guān)測(cè)尺度，用來(lái)提取細(xì)節(jié)特征.在設(shè)計(jì)的基于Gabor的卷積層中為了平衡觀(guān)測(cè)尺度，每個(gè)卷積層中的參數(shù)v均設(shè)置為3.對(duì)于輸入和輸出的維度而言，因?yàn)槠胀ň矸e核在Gabor濾波器的作用下變?yōu)?維，所以輸入特征圖的維度應(yīng)擴(kuò)充為4維才能進(jìn)行基于Gabor濾波器的卷積計(jì)算.

在基于隨機(jī)梯度下降的網(wǎng)絡(luò)訓(xùn)練過(guò)程中，隨著深度增加，訓(xùn)練誤差有時(shí)候沒(méi)有降低而升高[20]，誤差信號(hào)的多層反向傳播容易引起梯度“彌散”或者“爆炸”，為了解決網(wǎng)絡(luò)深度帶來(lái)的訓(xùn)練困難的問(wèn)題，引入殘差網(wǎng)絡(luò)[19]，如下圖2所示.

圖2 殘差網(wǎng)絡(luò)模塊示意圖Fig.2 Residual network module diagram

殘差網(wǎng)絡(luò)的數(shù)學(xué)表達(dá)式如下：

(5)

2 基于提取的物體特征計(jì)算預(yù)測(cè)信息

由于輸入的圖像在神經(jīng)網(wǎng)絡(luò)特征提取后，已經(jīng)變成[D×D×G]的特征，其中G為每個(gè)格子的特征數(shù).首先，對(duì)每個(gè)格子去預(yù)測(cè)目標(biāo)的位置，并且給出這個(gè)位置邊界框和物體的重疊率.然后，針對(duì)每個(gè)格子預(yù)測(cè)每類(lèi)物體的條件概率，即它是目標(biāo)的情況下到底是哪一類(lèi)[23]目標(biāo).最后，將預(yù)測(cè)的位置邊界框和物體的種類(lèi)結(jié)合得到目標(biāo)檢測(cè)結(jié)果.下面進(jìn)行具體說(shuō)明.

每個(gè)網(wǎng)格會(huì)預(yù)測(cè)N個(gè)位置的邊界框，每個(gè)位置邊界框會(huì)預(yù)測(cè)出5個(gè)值，包括ux,uy,uw,uh,pc,其中ux代表物體的x坐標(biāo)；uy代表物體的y坐標(biāo)；uw代表物體邊界框的寬度；uh代表物體邊界框的長(zhǎng)度.pc指的是置信度，它主要反應(yīng)了包含物體的情況下位置的準(zhǔn)確性.除此之外，每個(gè)網(wǎng)格還會(huì)預(yù)測(cè)V個(gè)條件概率pr.

2.1 預(yù)測(cè)邊框位置信息的處理

對(duì)于預(yù)測(cè)[16]邊框而言，首先應(yīng)該確定先驗(yàn)邊框的信息，在先驗(yàn)邊框[16]的基礎(chǔ)上進(jìn)一步得到預(yù)測(cè)邊框的信息.先驗(yàn)邊框要通過(guò)聚類(lèi)[25]方法，對(duì)無(wú)人機(jī)飛行的訓(xùn)練集中的邊框做聚類(lèi)分析來(lái)獲取.由先驗(yàn)框的寬和高確定出最終邊界框的大小和位置，無(wú)人機(jī)真正的位置信息就是由先驗(yàn)框的平移和縮放得到，如下圖3所示.

圖3 位置信息的處理圖Fig.3 Processing of location information

預(yù)測(cè)信息的數(shù)學(xué)表達(dá)式如下：

(6)

(7)

式中，Aw是先驗(yàn)框的寬度，Ah是先驗(yàn)框的高度，vx是當(dāng)前網(wǎng)格左上角到物體圖像左上角的橫坐標(biāo)距離，vy是當(dāng)前網(wǎng)格左上角到物體圖像左上角的縱坐標(biāo)距離,nw和nh是預(yù)測(cè)框的寬度和高度，其中，(ux,uy,uw,uh)是預(yù)測(cè)的參數(shù).激活函數(shù)采取式(7)中的Sigmoid函數(shù).

針對(duì)無(wú)人機(jī)的位置信息而言，由先驗(yàn)框逐漸得到最后的預(yù)測(cè)框的過(guò)程如下圖4所示.

圖4 無(wú)人機(jī)預(yù)測(cè)框的獲取Fig.4 UAV prediction box acquisition

通過(guò)上圖的示意圖可以看出，每個(gè)格子對(duì)應(yīng)3個(gè)先驗(yàn)框，無(wú)人機(jī)真正的預(yù)測(cè)框位置信息就是先驗(yàn)框的平移和縮放.

2.2 損失函數(shù)的建立

下面對(duì)損失函數(shù)進(jìn)行介紹，損失函數(shù)主要由回歸檢測(cè)框位置的損失函數(shù)、置信度(即該網(wǎng)格是不是物體)的損失函數(shù)和物體類(lèi)別的損失函數(shù)組成.

回歸檢測(cè)框位置的損失函數(shù)是在均方損失函數(shù)基礎(chǔ)上改進(jìn)的，表達(dá)式如下：

(8)

置信度的損失函數(shù)采用交叉熵?fù)p失，損失函數(shù)表達(dá)式如下：

(9)

物體類(lèi)別的損失采用交叉熵?fù)p失函數(shù)，損失函數(shù)表達(dá)式如下：

(10)

因此，整體的損失函數(shù)Loss為以上回歸檢測(cè)框位置、預(yù)測(cè)置信度(即該網(wǎng)格是不是物體)和預(yù)測(cè)物體類(lèi)別的損失函數(shù)之和，表達(dá)式如下：

Loss=loss1+loss2+loss3

(11)

3 實(shí)驗(yàn)及算法驗(yàn)證分析

3.1 數(shù)據(jù)集的構(gòu)建

本次實(shí)驗(yàn)數(shù)據(jù)集的來(lái)源是空中飛行的兩種無(wú)人機(jī)的飛行圖集，其中，類(lèi)型一記作receiver，類(lèi)型二記作tanker，記作UAV_RT.本實(shí)驗(yàn)中無(wú)人機(jī)在空中以不同距離、不同姿態(tài)、不同高度的狀態(tài)下飛行.該數(shù)據(jù)集基本包括無(wú)人機(jī)飛行的各種軌跡姿態(tài)狀態(tài).

當(dāng)數(shù)據(jù)集建立好之后，在 Intel Core i7,顯卡為NVIDIA GTX-1080的設(shè)備上對(duì)該數(shù)據(jù)集進(jìn)行訓(xùn)練，然后在與訓(xùn)練集同分布的測(cè)試集上進(jìn)行預(yù)測(cè)，得到最終的預(yù)測(cè)結(jié)果.

3.2 算法的指標(biāo)變化

本文給出從開(kāi)始到最后的訓(xùn)練批次過(guò)程中不同指標(biāo)的變化曲線(xiàn)，主要包括誤差損失、召回率和準(zhǔn)確率的變化趨勢(shì).訓(xùn)練過(guò)程共80輪，每輪包括698次迭代循環(huán)，為了描述指標(biāo)趨勢(shì)，下圖僅畫(huà)出每一輪的首末兩次迭代的數(shù)值.

邊界框的坐標(biāo)位置，寬度、高度、置信度、類(lèi)別和總體誤差損失在一定迭代次數(shù)后的變化趨勢(shì)如圖5中(a)、(b)和(c)所示，召回率和準(zhǔn)確率的變化如下圖中(d)和(e)所示.

如上圖5(c)中所示，總體誤差損失隨迭代次數(shù)呈下降趨勢(shì)，且從第7輪開(kāi)始逐漸趨于穩(wěn)定.召回率刻畫(huà)了檢測(cè)到的真正目標(biāo)占所有真正目標(biāo)的比例，從上圖5(d)中看出從第7輪開(kāi)始逐漸趨于1.準(zhǔn)確率表示檢測(cè)出來(lái)的物體中有多少是正確的，由圖5(e)得到，所示整體呈遞增趨勢(shì)并能夠在一定范圍內(nèi)趨于穩(wěn)定.

3.3 基于Gabor神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果

本文主要對(duì)UAV_RT數(shù)據(jù)集上訓(xùn)練出的模型進(jìn)行評(píng)價(jià).算法驗(yàn)證的主要目的是識(shí)別空中飛行的無(wú)人機(jī).假設(shè)空中飛行的無(wú)人機(jī)有且僅有兩種類(lèi)型，類(lèi)型一記作receiver，類(lèi)型二記作tanker.以下算法驗(yàn)證是采集空中無(wú)人機(jī)圖像，在地面進(jìn)行離線(xiàn)網(wǎng)絡(luò)訓(xùn)練并得到目標(biāo)檢測(cè)[22]的結(jié)果.

驗(yàn)證主要分為四種情況：情況一是當(dāng)兩種無(wú)人機(jī)作為較大目標(biāo)時(shí)進(jìn)行目標(biāo)檢測(cè)；情況二是當(dāng)兩種無(wú)人機(jī)作為較小目標(biāo)時(shí)進(jìn)行目標(biāo)檢測(cè)；情況三是無(wú)人機(jī)存在在干擾背景的情況下進(jìn)行目標(biāo)檢測(cè)[17]；情況四是當(dāng)無(wú)人機(jī)進(jìn)行姿態(tài)變換后進(jìn)行目標(biāo)檢測(cè)[24].

情況一：兩種無(wú)人機(jī)作為較大目標(biāo)時(shí)進(jìn)行目標(biāo)檢測(cè)

當(dāng)空中飛行的無(wú)人機(jī)作為較大目標(biāo)時(shí)，分別在以下兩種場(chǎng)景中進(jìn)行檢測(cè).

由圖6中的(a)和(b)可知，當(dāng)無(wú)人機(jī)距離相機(jī)較近，它作為較大目標(biāo)出現(xiàn)的時(shí)候，算法能夠較為準(zhǔn)確地檢測(cè)出空中的receiver目標(biāo)和tanker目標(biāo).

情況二：當(dāng)兩種無(wú)人機(jī)作為較小目標(biāo)時(shí)進(jìn)行目標(biāo)檢測(cè)

當(dāng)空中飛行的無(wú)人機(jī)作為較小目標(biāo)時(shí)，分別在以下兩種場(chǎng)景中進(jìn)行檢測(cè).

由圖7中的(a)和(b)可知，當(dāng)無(wú)人機(jī)距離相機(jī)較遠(yuǎn)，它作為較小目標(biāo)出現(xiàn)的時(shí)候，算法能夠較為準(zhǔn)確地檢測(cè)出空中的receiver目標(biāo)和tanker目標(biāo).

情況三：無(wú)人機(jī)在干擾背景下進(jìn)行目標(biāo)檢測(cè)

當(dāng)空中飛行的無(wú)人機(jī)存在干擾背景時(shí)，分別在以下兩種場(chǎng)景中進(jìn)行檢測(cè).

圖5 算法的指標(biāo)變化Fig.5 Index changes in the algorithm

圖6 無(wú)人機(jī)作為較大目標(biāo)時(shí)的檢測(cè)結(jié)果Fig.6 Test results when the UAV is a larger target

圖7 無(wú)人機(jī)作為較小目標(biāo)時(shí)的檢測(cè)結(jié)果Fig.7 Test results when the UAV is a smaller target

圖8 在干擾背景下對(duì)無(wú)人機(jī)進(jìn)行檢測(cè)的結(jié)果Fig.8 Results of testing UAV in the context of interference

由圖8中的(a)和(b)可知，當(dāng)receiver無(wú)人機(jī)的后方出現(xiàn)綠色樹(shù)和草的干擾背景時(shí)，算法也能夠較為準(zhǔn)確地檢測(cè)出空中的receiver目標(biāo).

情況四：當(dāng)無(wú)人機(jī)進(jìn)行姿態(tài)變換后進(jìn)行目標(biāo)檢測(cè)

當(dāng)空中飛行的無(wú)人機(jī)進(jìn)行姿態(tài)變換時(shí)，分別在以下兩種場(chǎng)景中進(jìn)行檢測(cè).

圖9 無(wú)人機(jī)進(jìn)行姿態(tài)變換時(shí)進(jìn)行目標(biāo)檢測(cè)的結(jié)果Fig.9 The result of the target detection when the UAV performs the attitude change

由圖9中的(a)和(b)可知，當(dāng)(a)中的receiver無(wú)人機(jī)發(fā)生明顯的俯仰和滾轉(zhuǎn)，(b)中的tanker無(wú)人機(jī)發(fā)生明顯的滾轉(zhuǎn)姿態(tài)變化，此時(shí)算法也能夠較為準(zhǔn)確地檢測(cè)出空中的receiver目標(biāo)和tanker目標(biāo).

3.4 目標(biāo)檢測(cè)效果對(duì)比

為了進(jìn)一步驗(yàn)證本文提出的目標(biāo)檢測(cè)算法在識(shí)別空中飛行的tanker和receiver兩種無(wú)人機(jī)上的有效性，將其和幾種不同的經(jīng)典目標(biāo)檢測(cè)方法進(jìn)行效果對(duì)比，采用的指標(biāo)為精度(ACC)和平均正確率均值(mAP).比對(duì)方法采用SIFT的特征對(duì)無(wú)人機(jī)圖像進(jìn)行表述，通過(guò)局部特征聚合描述符(vector of locally aggregated descriptors,VLAD)，詞袋(bag of visual words，BoVW) 和費(fèi)舍爾向量(Fisher vector，F(xiàn)V)等策略編碼，最終采用支持向量機(jī)分類(lèi)得到最終的檢測(cè)結(jié)果.

由表1可以看出，本文提出的基于GDCN卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)方法的ACC和mAP指標(biāo)值比傳統(tǒng)特征加分類(lèi)方法的指標(biāo)值更高.由此說(shuō)明，本文所建立的深度神經(jīng)網(wǎng)絡(luò)模型能取得較高的精度和準(zhǔn)確率.

表1 實(shí)驗(yàn)對(duì)比結(jié)果Tab.1 Experimental comparison results

4 結(jié) 論

本文針對(duì)無(wú)人機(jī)目標(biāo)檢測(cè)問(wèn)題，提出了基于Gabor深度學(xué)習(xí)的目標(biāo)檢測(cè)算法,設(shè)計(jì)了基于Gabor濾波器的深度卷積神經(jīng)網(wǎng)絡(luò),在保證網(wǎng)絡(luò)穩(wěn)定性的前提下對(duì)目標(biāo)進(jìn)行特征提取.根據(jù)提取的特征計(jì)算目標(biāo)的預(yù)測(cè)信息，得到以空中飛行的兩種無(wú)人機(jī)為目標(biāo)的檢測(cè)結(jié)果.該方法將Gabor濾波器集成到普通卷積核，從而能夠使得所學(xué)特征對(duì)方向和尺度變化的魯棒性得到增強(qiáng).使用真實(shí)飛行的無(wú)人機(jī)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)驗(yàn)證了本文提出的方法的可行性，進(jìn)一步通過(guò)與傳統(tǒng)特征加分類(lèi)目標(biāo)檢測(cè)方法的對(duì)比說(shuō)明了本文提出方法的精確性.