在图像识别方向上,基于深度学习的目标人物的检测算法是重要的研究内容之一,在医疗、智能家居和交通等不同领域有着巨大的应用。基于深度学习的图像处理算法与传统的图像处理算法相比,可以在复杂的环境下,提取更深层次的人物特征,提高算法鲁棒性和识别准确性。为此,本文针对机器人对不同目标的检测开展了基于Faster R-CNN(Faster Regions with CNN)的图像识别算法的研究。搭建基于Faster R-CNN的目标检测网络模型,提高检测效率。首先,本文采用人物作为目标制作数据集,通过数据预处理,抓取5个人物的背影、侧影图片,对图片进行标记,通过数据增强、批量归一化等措施增加数据集,避免出现过拟合现象;其次,对数据集图片进行特征提取和候选框的批量生成,对各帧图像使用改进后的共享卷积层提取目标特征,用候选区域生成网络RPN(Region Proposal Network)批量生成候选框,使用基于层次聚类的候选区域筛选算法,预先筛选候选框内目标人物,降低模型的计算量和模型运行时间,进一步改善图片识别效果;然后,对不同尺寸的候选特征图片进行ROI(Region of interest Pooling)池化,使候选区域图片尺寸一致,便于图像检测网络的处理;最后,对图片中目标进行检测,采用Softmax分类器将候选特征图片进行分类,从而得到目标类别;采用回归器处理候选区域特征向量,使用非极大值抑制算法优化候选框,得到候选框左上点坐标数据,传送给机器人控制系统,通过坐标转换得到目标的最终坐标,实现机器人对目标的检测。本文针对改进前后Faster R-CNN网络模型进行了实验,在实验过程中,改进后模型对目标进行检测的模型精度约为96%,相对于改进前提高6个百分点,模型运行时间为53分钟,相对于改进前算法提高22分钟,实验结果表明,改进后的网络模型对目标具有较好的识别效果。