全景图像指由全景摄像机拍摄的、包含来自相机各个方向的图像信息的360度全景图像。图像中的物体识别是指对给定的图像,找出其中的物体并识别出物体所属的类别。因为全景图像包含来自相机各个方向的图像信息,因此,对全景图像进行物体识别在自动驾驶、无人机导航、辅助驾驶等领域有着重大的应用。全景图像可以认为是将一个全景球面沿某一经线进行剪裁,而后展开得到的二维图像。全景球面和全景图像的关系和地球仪和地球平面地图的关系相似。因此,物体越靠近全景球面的极点,扭曲越严重。现在已有的高水平的物体识别方法都采用了卷积神经网络进行特征提取和识别,识别能力依赖于卷积神经网络结构和训练集。但是,当前并没有专门用于对全景图像进行物体识别的训练集,因此,已有的物体识别方法在识别全景图像中的物体时效果并不理想。另外,图像中被经线分割的物体的两个部分会分别出现在全景图像的左右边界处,已有的物体识别方法会将这两个部分识别为两个不同的物体。因此,针对上述问题,本文提出了用于对全景图像进行物体识别方法,重点解决识别全景图像中的扭曲的物体和被分割的物体。本文的主要贡献有以下几个方面。第一,针对全景图像的物体识别训练集数据不足的问题,本文提出了普通图像的物体识别训练集的复用方法,实现了对已有的训练集的复用,而不需要通过人工的方法建立一个可用的全景图像的物体识别训练集。使用复用的物体识别训练集来训练卷积神经网络,可以很好地识别扭曲的物体。第二,本文提出了用来产生额外的识别信息的图像的复制阶段和用来微调识别结果的微调阶段。复制阶段为微调阶段提供了额外的识别信息;微调阶段使用这些额外的识别信息对识别结果进行微调,并合并被分割的物体。实现了对被分割的物体的识别。第三,本文设计的复制阶段和微调阶段与卷积神经网络的耦合度低,使得可以使用别的卷积神经网络替换本文所使用的卷积神经网络。本文的实验主要针对本文提出的方法和现有的实时的物体识别方法,在全景图像的物体识别的识别效果和时间开销上进行横向对比。实验结果表明,本文提出的用于全景图像的物体识别方法在本文使用的测试集上能达到83%的准确率和75%的召回率,而且能够达到实时,进而验证了本文的方法的实用性与有效性。同时,还对本文提出的训练集复用方法进行了合理性论证,保证了本文提出的训练集复用方法的合理性。