王曙光，呂攀飛

(中國人民解放軍陸軍炮兵防空兵學(xué)院兵器工程系,安徽 合肥 230031)

0 引 言

基于圖像的目標(biāo)識別技術(shù)是指利用計算機(jī)視覺技術(shù)將目標(biāo)從圖像中自動檢測出來，并對目標(biāo)的類別、大小和位置進(jìn)行判斷。目前該技術(shù)已經(jīng)在精確制導(dǎo)、目標(biāo)自動跟蹤、視頻監(jiān)控等領(lǐng)域得到了廣泛應(yīng)用。由于坦克裝甲車輛仍是目前陸地的主要作戰(zhàn)力量，因此對敵方裝甲目標(biāo)進(jìn)行精確打擊和監(jiān)控對于戰(zhàn)爭結(jié)果具有不可忽視的影響。

近年來隨著卷積神經(jīng)網(wǎng)絡(luò)在提取圖像高層次特征方面的不斷進(jìn)步，各類基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識別算法取得了突破性進(jìn)展[1]。Girshick[2]和Ren等[3]分別提出的Fast R-CNN和Faster R-CNN大幅提高了目標(biāo)識別的準(zhǔn)確率，但由于識別過程中計算量較大，幀率只能達(dá)到5幀/秒，因此不能實現(xiàn)對目標(biāo)的實時識別。隨后Redmon等[4]提出的YOLO網(wǎng)絡(luò)雖然將識別速度提高到45幀/秒，但卻犧牲了部分準(zhǔn)確率，容易出現(xiàn)對目標(biāo)的遺漏和誤識別。Liu等[5]在YOLO的基礎(chǔ)上提出了單發(fā)射擊檢測器(SSD網(wǎng)絡(luò))，在識別速度上，SSD比之前的YOLO要快很多，在檢測精度上，也和Faster R-CNN相當(dāng)。為了提高檢測準(zhǔn)確率，SSD網(wǎng)絡(luò)在不同尺度的特征圖上進(jìn)行預(yù)測，此外，還得到具有不同縱橫比的結(jié)果，即使圖像的分辨率比較低，也能保證檢測的精度。此后Redmon等通過使用批量規(guī)范化、維度聚類、多尺度訓(xùn)練等多種改進(jìn)方法在2016年提出的YOLO v2網(wǎng)絡(luò)，在大幅提高識別速度的同時也提高了識別精度，目前，YOLO v2在VOC2007數(shù)據(jù)集上的檢測速度已經(jīng)達(dá)到67幀/秒，同時平均準(zhǔn)確率mAP也達(dá)到了76.8%，在目標(biāo)識別領(lǐng)域取得了最佳識別效果。

為了保證圖像目標(biāo)識別的精度和實時性，滿足特定的識別任務(wù)，本文以當(dāng)前具有最佳識別效果的YOLO v2為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過對自制的裝甲目標(biāo)數(shù)據(jù)集中手工標(biāo)記的目標(biāo)框進(jìn)行k-means維度聚類分析，確定了最優(yōu)的anchor boxes的個數(shù)和寬高維度。

1 YOLO v2網(wǎng)絡(luò)結(jié)構(gòu)與原理

1.1 基礎(chǔ)網(wǎng)絡(luò)模型

YOLO v2借鑒了YOLO和SSD的網(wǎng)絡(luò)結(jié)構(gòu)，但與SSD網(wǎng)絡(luò)不同的是YOLO v2以Googlenet[6]作為基礎(chǔ)網(wǎng)絡(luò)，而SSD的基礎(chǔ)網(wǎng)絡(luò)為VGG-16。表1為Googlenet和VGG-16網(wǎng)絡(luò)的性能對比，由表1可以看出雖然在目標(biāo)識別精度上Googlenet網(wǎng)絡(luò)略低于VGG-16網(wǎng)絡(luò)，但是Googlenet卻大大壓縮了網(wǎng)絡(luò)訓(xùn)練的計算量，加快了識別的速度，這對于實時性要求較高的裝甲目標(biāo)識別任務(wù)具有重要作用。

表1 Googlenet與VGG-16的性能對比

網(wǎng)絡(luò)一次前向傳播的計算量/億次檢測精度/%Googlenet85.288VGG-16306.990

YOLO v2網(wǎng)絡(luò)包含了19個卷積層和5個最大池化層，為了壓縮特征同時增加網(wǎng)絡(luò)深度，在3×3的卷積核之間加入1×1的卷積核，每次池化操作后將通道數(shù)翻倍。去掉了全連接層，使用全局平均池化進(jìn)行網(wǎng)絡(luò)預(yù)測，這大大提高了網(wǎng)絡(luò)提取圖像深層次特征的能力，使得網(wǎng)絡(luò)對目標(biāo)的識別精度得到了大幅度提高。

1.2 YOLO v2相對于YOLO的改進(jìn)

YOLO v2借鑒了Faster R-CNN的anchor 機(jī)制并采用維度聚類尋找到最佳的anchor個數(shù)與寬高維度對目標(biāo)框進(jìn)行回歸。

YOLO v2在卷積池化層與激活函數(shù)間加入Batch Normalization(批量規(guī)范化)對每一層的輸入數(shù)據(jù)進(jìn)行規(guī)范化，使每一層輸入數(shù)據(jù)的均值為 0，方差為 1。由于神經(jīng)網(wǎng)絡(luò)每層輸入的分布總是不斷發(fā)生變化，因此YOLO v2通過標(biāo)準(zhǔn)化上層輸出，均衡輸入數(shù)據(jù)分布，使訓(xùn)練速度明顯加快，同時降低了激活函數(shù)在特定輸入?yún)^(qū)間達(dá)到飽和狀態(tài)的概率，避免梯度消失問題。輸入規(guī)范化也對樣本進(jìn)行了正則化，在一定程度上可以替代Dropout層。

訓(xùn)練過程一般分為2個步驟：1)通過ImageNet訓(xùn)練集對分類網(wǎng)絡(luò)進(jìn)行高分辨率的預(yù)訓(xùn)練；2)在分類網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行微調(diào)，目的是訓(xùn)練檢測網(wǎng)絡(luò)。YOLO v1以分辨率為224×224的圖片來訓(xùn)練分類網(wǎng)絡(luò)，而YOLO v2則將分類網(wǎng)絡(luò)的分辨率提高到了448×448，高分辨率樣本將識別的mAP提高了約4%。

此外對目標(biāo)框使用直接位置預(yù)測避免了直接進(jìn)行anchor回歸導(dǎo)致的模型不穩(wěn)定，YOLO v2每經(jīng)過10個Batch就會隨機(jī)選擇新的圖片尺寸，為了最后一層得到特征圖尺度為13×13, YOLO v2輸入圖片尺寸為416×416(416=13×32)，降采樣參數(shù)為32，通過不同尺度圖片的訓(xùn)練提高了網(wǎng)絡(luò)對不同環(huán)境的適應(yīng)性。

2 改進(jìn)的YOLO v2網(wǎng)絡(luò)

2.1 YOLO v2的anchor機(jī)制

YOLO v2再次證明了Faster R-CNN提出的anchor機(jī)制在邊界框回歸過程中發(fā)揮的重要作用，如圖1所示，YOLO v1采用7×7的網(wǎng)格對輸入圖像進(jìn)行分割，每個網(wǎng)格只能預(yù)測對應(yīng)2個anchor boxes，這2個box共用一個分類結(jié)果。YOLO v2采用13×13的網(wǎng)格對輸入圖像進(jìn)行分割，增強(qiáng)了對小目標(biāo)的檢測能力，每個網(wǎng)格預(yù)測k個anchor boxes，對應(yīng)了k個不同的尺度，每個box具有獨立的分類結(jié)果，大幅提升了網(wǎng)絡(luò)的平均準(zhǔn)確率。同時，YOLO v2采用k-means[7]算法對手工標(biāo)定的目標(biāo)框進(jìn)行維度聚類，尋找到最優(yōu)的k值與anchor的寬高維度[8]，使得生成的anchor boxes更具有代表性。

圖1 YOLO v1與YOLO v2的anchor box

2.2 裝甲目標(biāo)數(shù)據(jù)集的anchor參數(shù)確定

盡管YOLO v2[9]在VOC和COCO數(shù)據(jù)集上取得了令人滿意的效果，但其對于自制的裝甲目標(biāo)數(shù)據(jù)集并不完全適用。如果直接采用原有的網(wǎng)絡(luò)參數(shù)訓(xùn)練生成權(quán)重文件，測試時發(fā)現(xiàn)容易對目標(biāo)產(chǎn)生錯誤識別，平均識別率較低。

在實際目標(biāo)識別的過程中發(fā)現(xiàn)anchor的個數(shù)和大小的選取對識別的精度和速度產(chǎn)生著重要影響。雖然訓(xùn)練過程中網(wǎng)絡(luò)會通過學(xué)習(xí)調(diào)整邊界框的寬高維度，最終得到bounding boxes，但是，如果訓(xùn)練階段就選擇了更好的、更有代表性的anchor box維度，那么網(wǎng)絡(luò)就更容易學(xué)到準(zhǔn)確的預(yù)測位置。YOLO v2通過在VOC數(shù)據(jù)集上進(jìn)行維度聚類分析得到了適合自身數(shù)據(jù)集的anchor個數(shù)與寬高維度，其中扁長的框較少，而瘦高的框較多，更利于檢測類似于行人的目標(biāo)，自制裝甲目標(biāo)數(shù)據(jù)集的邊界框中扁平的較多，瘦高的較少，因此對VOC數(shù)據(jù)集的維度聚類結(jié)果不利于對裝甲目標(biāo)進(jìn)行識別。

為適應(yīng)自制裝甲目標(biāo)數(shù)據(jù)集中手工標(biāo)定的目標(biāo)框，達(dá)到最優(yōu)的識別效果[10]，本文采用k-means算法對數(shù)據(jù)集中目標(biāo)框的統(tǒng)計規(guī)律進(jìn)行維度聚類分析，得到適合自制數(shù)據(jù)集最優(yōu)的anchor個數(shù)和寬高維度[11]。

d(box,centroid)=1-IOU(box,centroid)

(1)

k-means采用的距離函數(shù)(度量標(biāo)準(zhǔn))如式(1)所示，實驗中使用爬山法選取k值，當(dāng)k值增加到某一數(shù)值時目標(biāo)函數(shù)d的變化越來越小，然后將此處拐點的k值作為最優(yōu)的聚類個數(shù)。使用k-means算法對目標(biāo)框的寬高進(jìn)行維度聚類分析，直到相鄰2次聚類的結(jié)果相同時停止迭代過程，取不同的k值時目標(biāo)函數(shù)d的變化如圖2所示，由圖可得當(dāng)k>4時，目標(biāo)函數(shù)變化逐漸平穩(wěn)，所以取聚類個數(shù)k=4。當(dāng)k=4時，采用k-means算法對目標(biāo)框進(jìn)行維度聚類分析，產(chǎn)生的聚類結(jié)果如圖3所示，圖中不同的灰度對應(yīng)著不同類別的目標(biāo)框，將聚類結(jié)果中的聚類中心坐標(biāo)作為anchor的寬高維度，因此anchor的個數(shù)為4，anchor參數(shù)分別為 (1.12, 1.31)、 (2.00, 2.31)、 (3.42, 3.72)、 (5.29, 5.93)，分別對應(yīng)Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ區(qū)域的聚類中心坐標(biāo)。

圖2 目標(biāo)函數(shù)變化曲線

圖3 目標(biāo)框聚類分布圖

3 實驗驗證與結(jié)果分析

實驗設(shè)備配置如下：CPU采用Intel(R) Xeon(R) E5-2683 v3 主頻2.00 GHz；內(nèi)存為32 GB；顯卡采用英偉達(dá)Quadro K4200和英偉達(dá)Quadro M4000雙顯卡；操作系統(tǒng)為Windows 10；框架為TensorFlow。

網(wǎng)絡(luò)參數(shù)配置為：learning_rate=0.0001; policy=steps; batch=64; steps=100, 25000, 35000; max_batches=45000; scales=10, 0.1, 0.1; momentum=0.9; decay=0.0005。

自制裝甲目標(biāo)數(shù)據(jù)集共有5000張裝甲車輛圖片，其中4000張圖片作為訓(xùn)練集，1000張作為驗證數(shù)據(jù)集。另外，分別建立具有400張、600張和800張圖片共3個不同的測試數(shù)據(jù)集對訓(xùn)練效果進(jìn)行檢測。訓(xùn)練集和驗證集采用VOC數(shù)據(jù)集格式進(jìn)行手工標(biāo)定，測試數(shù)據(jù)集用于測試訓(xùn)練效果。

預(yù)訓(xùn)練階段首先采用ImageNet數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后采用分辨率為224×224大小的裝甲目標(biāo)數(shù)據(jù)集對網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，隨后修改分辨率大小為416×416像素，在自制裝甲目標(biāo)數(shù)據(jù)集上訓(xùn)練10 epoches，使網(wǎng)絡(luò)適應(yīng)高分辨率下的輸入，得到預(yù)訓(xùn)練的權(quán)重文件。

采用預(yù)先設(shè)置的網(wǎng)絡(luò)參數(shù)和預(yù)訓(xùn)練階段得到的權(quán)重對自制裝甲目標(biāo)數(shù)據(jù)集訓(xùn)練2000次，分別統(tǒng)計訓(xùn)練過程中第0次、第500次、第1500次、第2000次的類別準(zhǔn)確率、召回率和損失值如表2所示。從表中可以看出訓(xùn)練過程中網(wǎng)絡(luò)能夠保持較高的召回率，網(wǎng)絡(luò)參數(shù)能夠按照預(yù)期收斂。

表2 準(zhǔn)確率、召回率、損失值變化過程

訓(xùn)練次數(shù)準(zhǔn)確率召回率損失值00.000.001.005000.750.800.3210000.830.800.2415000.851.000.2320000.861.000.21

可以看出通過維度聚類的方法對自制裝甲目標(biāo)數(shù)據(jù)集中的目標(biāo)框進(jìn)行聚類分析，得到了最優(yōu)anchor個數(shù)和寬高維度，優(yōu)化了YOLO v2網(wǎng)絡(luò)對特定目標(biāo)的識別效果。表3比較了Faster R-CNN、 YOLO v2和經(jīng)過本文方法優(yōu)化后的YOLO v2對裝甲目標(biāo)的識別效果，可以看出本文方法可以在候選框較少，占用較少資源的情況下保持較高的平均重疊率[16]。

表3 候選框生成方法性能對比

方法anchor數(shù)量平均重疊率Faster R-CNN70.77YOLO v250.79改進(jìn)的YOLO v240.84

表4～表6比較了在3種不同測試數(shù)據(jù)集中目前主流的目標(biāo)識別算法以及本文改進(jìn)的YOLO v2方法識別的查準(zhǔn)率、查全率和檢測速度。從表中數(shù)據(jù)可以看出Faster R-CNN的識別精度較高但識別速度只有5幀/秒，不能對裝甲目標(biāo)進(jìn)行實時識別。YOLO v2在各數(shù)據(jù)集中的準(zhǔn)確率和查全率均優(yōu)于此前的YOLO版本，但與本文方法相比，通過k-means維度聚類算法改進(jìn)的YOLO v2網(wǎng)絡(luò)對裝甲目標(biāo)的識別精度均高于原來的YOLO v2，可以達(dá)到85%以上，識別速度可以達(dá)到69幀/秒，滿足了對裝甲目標(biāo)的高準(zhǔn)確率實時識別。

表4 各算法在測試集1上的實驗結(jié)果

算法查準(zhǔn)率/%查全率/%檢測速度/(幀/秒)Faster R-CNN87.183.65YOLO78.572.445YOLO v282.380.167本文方法86.082.670

表5 各算法在測試集2上的實驗結(jié)果

算法查準(zhǔn)率/%查全率/%檢測速度/(幀/秒)FasterR-CNN86.582.75YOLO75.170.045YOLO v281.478.668本文方法85.180.269

表6 各算法在測試集3上的實驗結(jié)果

算法查準(zhǔn)率/%查全率/%檢測速度/(幀/秒)FasterR-CNN86.182.64YOLO74.669.446YOLO v280.277.567本文方法85.080.269

通過對測試數(shù)據(jù)集中的樣本進(jìn)行測試，未經(jīng)過維度聚類分析的實驗結(jié)果如圖4所示，經(jīng)過維度聚類后改進(jìn)的YOLO v2實驗結(jié)果如圖5所示，可以看出本文方法相比目標(biāo)框未經(jīng)維度聚類分析的YOLO v2具有更精確的識別效果，大大降低了目標(biāo)的誤識別率。

圖4 YOLO v2識別結(jié)果

圖5 改進(jìn)的YOLO v2識別結(jié)果

4 結(jié)束語

通過對訓(xùn)練數(shù)據(jù)集手工標(biāo)定的目標(biāo)框進(jìn)行維度聚類分析，利用k-means算法找到了最優(yōu)的anchor個數(shù)和寬高維度對YOLO v2進(jìn)行改進(jìn)，提高了訓(xùn)練速度和識別精度，使得網(wǎng)絡(luò)對裝甲目標(biāo)識別的平均準(zhǔn)確率達(dá)到了85%以上，并滿足了對特定目標(biāo)的實時性識別要求。但目前仍然存某些特殊環(huán)境下精確識別困難的問題，下一步將采取新的措施對YOLO v2網(wǎng)絡(luò)進(jìn)行改進(jìn)，進(jìn)一步提高網(wǎng)絡(luò)的魯棒性，增強(qiáng)在復(fù)雜環(huán)境下的識別效果。