本发明涉及一种神经网络技术领域，具体是一种基于神经网络的目标检测与识别方法。
背景技术：
现如今，随着计算机视觉的相关理论与应用研究的快速发展，计算机视觉技术在日常生活中应用的优越性也日益突显出来。用计算机对图像进行识别是计算机从相关的视频或图像序列中提取出相应的特征，从而让计算机“理解”图像的内容，并能正确分类的技术。安防意识的提升也让人们对于公共以及个人的安全需求不断攀升，使得计算机神经网络技术在目标检测与识别等方面有了很高的应用价值。
目标检测是计算机视觉领域中的一个重要的研究课题。已经被广泛的使用在多个真实场景的应用中，如人脸识别，交通安全，人群监控和图像检索。基于深度学习的实时目标检测是指在一副自然场景图片或者视频中标记出目标物体的位置以及类别。面对海量的图像视频数据，人工标记费时、低效，自动化和快速的目标检测方法是迫切需要的。
由于目标检测与识别效果易受多种因素的影响，而神经网络对于数据的要求没有那么严苛，并且识别率较高。所以卷积神经网络对于人脸识别领域的研究具有重要的理论意义和现实意义。
技术实现要素：
本发明的目的在于提供一种基于神经网络的目标检测与识别方法，以解决所述背景技术中提出的问题。
为实现所述目的，本发明提供如下技术方案：
一种基于神经网络的目标检测与识别方法，包含以下步骤：
a、使用图像采集装置采集检测区域内的画面信息；
b、对采集到的图像进行识别处理，
c、通过计算机建立神经网络模型；
d、定义卷积神经网络的主要模块；
e、利用神经网络模型计算对采集到的画面信息进行检测，并完成数值结果输出；
f、根据检测结果在图像上作出标注，用矩形框标出每个目标中的标注的位置和类别；判断检测与识别的结果；
g、对识别和检测的结果进行验证。
作为本发明的进一步技术方案：所述步骤a通过摄像头实现。
作为本发明的进一步技术方案：所述步骤b具体是：将采集到的一定时间内的图像进行综合比对，如果比对结果一致，则判断为该段时间内的画面静止，没有动态物体出现，自动删除该段时间采集到的图像信息，因此判定该段时间图像为无效图像，当比对结果不一致，则将出现差异的图像提取出来，判定该段时间的图像为待识别图像。
作为本发明的进一步技术方案：所述步骤e具体是将每张图像的标签信息格式化并写入一个txt文件中，同时还将该图像中与原始画面不同的图像点提取出来，作为区别图像。
作为本发明的进一步技术方案：还包括步骤f：进行算法仿真，并为改进后的识别算法搭建实验平台进行验证，其中，算法仿真通过matlab软件实现。
与现有技术相比，本发明的有益效果是：本发明基于神经网络的目标检测与识别方法采用目标检测与识别进行人脸识别，其运算速度快，判断结果准确，有效提高了检测的精度和识别的效率。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：一种基于神经网络的目标检测与识别方法，包含以下步骤：
a、使用图像采集装置采集检测区域内的画面信息；
b、对采集到的图像进行识别处理，将采集到的一定时间内的图像进行综合比对，如果比对结果一致，则判断为该段时间内的画面静止，没有动态物体出现，自动删除该段时间采集到的图像信息，因此判定该段时间图像为无效图像，当比对结果不一致，则将出现差异的图像提取出来，判定该段时间的图像为待识别图像。
c、通过计算机建立神经网络模型；
d、定义卷积神经网络的主要模块；
e、利用神经网络模型计算对采集到的画面信息进行检测，并完成数值结果输出；将每张图像的标签信息格式化并写入一个txt文件中，同时还将该图像中与原始画面不同的图像点提取出来，作为区别图像；
f、根据检测结果在图像上作出标注，用矩形框标出每个目标中的标注的位置和类别；判断检测与识别的结果；
g、对识别和检测的结果进行验证。
h、进行算法仿真，并为改进后的识别算法搭建实验平台进行验证，其中，算法仿真通过matlab软件实现。
其中，步骤a通过摄像头实现。也可以先用手机、数码相机等设备实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。