丁鵬程 于進勇 王 超 柳向陽

（海軍航空大學 煙臺 264001）

1 引言

近年來，得益于深度學習在特征提取中取到的巨大成就，目標檢測作為計算機視覺的主要部分得到了迅猛的發(fā)展。不同于傳統(tǒng)目標檢測中人工提取特征，深度學習特征自提取可以有效克服傳統(tǒng)方法對設計者經(jīng)驗的要求，對環(huán)境光影的影響有較好的抑制作用，對目標檢測的發(fā)展起了重要的推動作用。如今，深度學習在目標檢測中主要分化出以Fast R-CNN［1］，F(xiàn)aster R-CNN［2］為代表的兩階段檢測網(wǎng)絡和以 YOLO［3］，SSD［4］為代表的單階段檢測網(wǎng)絡。前者先劃分候選區(qū)域進行特征提取，之后進行分類和回歸定位，后者采取端對端的形式直接進行分類和回歸。比較而言，以Faster R-CNN為代表的兩階段目標檢測檢測精度更高，本文也將此網(wǎng)絡作為研究重點。

將深度學習的高精度檢測引入無人機視覺定位，是未來發(fā)展的趨勢。將基于深度學習的目標檢測網(wǎng)絡替代無人機視覺定位中的圖像處理模塊，檢測出目標在像素坐標系中的位置，經(jīng)過投影轉(zhuǎn)換可以得到無人機的位置信息。為了使目標檢測網(wǎng)絡更好的應用在無人機視覺定位，本文根據(jù)無人機視覺定位的特點，將研究重點放在提高網(wǎng)絡精度，特別是小目標檢測的精度，之后根據(jù)無人機實時性的特點，研究提高網(wǎng)絡速度的方法。

為了讓Faster R-CNN更加適應無人機視覺定位的要求，加入Inception改善網(wǎng)絡結構，通過設計級聯(lián)R-CNN，語義級聯(lián)以及級聯(lián)激活函數(shù)，提出了級聯(lián)卷積網(wǎng)絡，可以明顯提高網(wǎng)絡的檢測精度，特別是小目標的檢測精度。選定飛行實驗區(qū)域，制作自己的數(shù)據(jù)集UVNLD（UAV Vision Navigation Location Dataset），通過投影關系進行坐標轉(zhuǎn)換得到無人機的位置信息，提出了一整套無人機視覺定位算法，并驗證了算法的可行性。

2 網(wǎng)絡結構

2.1 Faster R-CNN網(wǎng)絡結構

Faster R-CNN引入RPN（Region Proposal Networks）網(wǎng)絡，使區(qū)域提取、分類、回歸等任務共用卷積特征，實現(xiàn)特征共享。RPN采用全卷積層來代替全連接層，可以使網(wǎng)絡不受輸入圖片大小的限制。卷積在特征層上利用k個不同的矩形框進行區(qū)域提取，可以同時輸出所有矩形框的特征，如圖1。分類層用于判斷該區(qū)域為前景還是后景，回歸層預測區(qū)域的中心，并得到對應的坐標［x，y，w，h］。

圖1 RPN結構

2.2 網(wǎng)絡結構改進

當網(wǎng)絡進行目標檢測時，為了提高網(wǎng)絡的魯棒性，必須同時考慮小目標和大目標的情況。根據(jù)GoogleNet［5］等相關研究，當圖像中既有大目標信息，又有小目標信息時，可以控制大小不同的卷積核進行特征提取，即Inception結構。這里，我們設計如圖2所示的Inception結構。

在檢測精度上，當網(wǎng)絡學習大目標時，卷積網(wǎng)絡需要足夠大的感受野，我們將Faster R-CNN中的5×5卷積核替換成兩個3×3卷積核，使感受野略有增加。在小目標學習過程中，1×1卷積核可以增加網(wǎng)絡的非線性，在保留上一層感受野的同時，減慢輸出特征感受野的增長，有利于小尺度目標的捕捉。

圖2 Inception結構

在網(wǎng)絡計算速度上，3×3網(wǎng)絡的引入可以使每個過程的參數(shù)從25降低到18。而設置步長為2的1×1網(wǎng)絡，可以使網(wǎng)絡的特征圖變?yōu)樵瓉淼囊话?，顯著減低了網(wǎng)絡的計算量。

3 級聯(lián)卷積網(wǎng)絡

3.1 級聯(lián)R-CNN

目標檢測網(wǎng)絡的評價函數(shù)IoU（Intersection-over-union）是指模型產(chǎn)生的目標窗口與原來標記窗口的交疊率，即檢測結果（Detection Result）與真實標記（Ground Truth）的交集比上它們的并集，表達式如下：

雙階段檢測網(wǎng)絡，如R-CNN［6］、R-FCN［7］等，都會對提取的候選區(qū)域進行分類和回歸。分類過程中，每個候選區(qū)域都會根據(jù)事先設定的IoU的值分為正樣本和負樣本。回歸任務中，網(wǎng)絡不斷地向正樣本的邊界框回歸。所以，一個好的IoU的設定，對網(wǎng)絡的訓練和驗證具有重大影響。

圖3 不同IoU的網(wǎng)絡表現(xiàn)

如圖3所示，橫軸是候選區(qū)域的IoU，縱軸是經(jīng)過回歸訓練后得到的新的IoU，不同的線條代表不同的IoU訓練出來的檢測器。整體來看，三條曲線趨勢表明IoU越高，檢測器的回歸性能越好。在0.55～0.6之間，IoU為0.5的檢測器性能最佳，在0.6～0.75和0.75以上區(qū)間，分別是IoU為0.6和0.7的檢測器性能最佳?？梢钥闯?，當候選區(qū)域自身的IoU值與訓練的IoU值相近時，檢測器的性能最佳。傳統(tǒng)的目標檢測網(wǎng)絡，通常采用一個固定的IoU設定值，如當IoU為0.5時，大于0.5的都會被認作是正樣本，但是網(wǎng)絡對于0.6～0.95的候選區(qū)域表現(xiàn)較差。提高IoU為0.7，雖然對于0.75以上的候選區(qū)域變現(xiàn)較好，但是0.7的IoU值會導致正樣本的數(shù)量急劇減少，網(wǎng)絡訓練時過擬合嚴重，最終檢測結果反而不如0.5的設定值。

為了解決以上問題，我們采用級聯(lián)R-CNN網(wǎng)絡結構［8］。由圖3可知，網(wǎng)絡經(jīng)過訓練，IoU的值會增加。與圖4（a）Faster R-CNN相比，我們將多個不同的檢測器根據(jù)IoU的值串聯(lián)起來，如圖4（b）。本文，我們設定了IoU分別是0.5，0.6和0.7的三個級聯(lián)檢測器，每個檢測器的輸入源自上一層檢測器邊界框回歸后的結果。

圖4 級聯(lián)R-CNN網(wǎng)絡結構

通過這種設定，網(wǎng)絡可以充分利用各類正樣本的圖像信息，一定程度上可以減少正樣本的浪費和流失，使得檢測網(wǎng)絡適應各種目標的檢測情況，提高網(wǎng)絡的檢測精度。

3.2 語義級聯(lián)

通過上述改進，可以提高網(wǎng)絡整體的檢測精度，但是，針對小目標這種特殊任務，網(wǎng)絡的檢測效果提升不明顯。通常，為了更好地識別大小不同的物體，特征圖像金字塔［9］是一個常見方法。低層圖像的特征語義信息比較少，但是位置信息準確，高層的特征語義信息豐富，通過多尺度融合，可以更好地表達圖像信息。

圖5 幾種特征融合

特征圖像金字塔如圖5（a）所示，將圖像化成不同大小尺寸，對每一個尺寸的圖像生成各自的特征并進行預測。雖然可以保證特征提取的完備性，但是時間成本太大［10］，實用性差。圖 5（b）是利用卷積網(wǎng)絡自身的特性，對圖像進行卷積和池化處理，生成不同尺度的特征圖，通過高層的語義網(wǎng)絡進行預測［11］。傳統(tǒng)的 SPP Net［12］，F(xiàn)ast R-CNN［1］和 Faster R-CNN［2］也都采用這種方式。通過這種方式，網(wǎng)絡速度快，內(nèi)存占用小。但是由于忽略了低層網(wǎng)絡的細節(jié)信息，網(wǎng)絡精度有待提高。融合了不同特征層語義信息的網(wǎng)絡框架［4］被提了出來，如圖5（c）。但是，因為網(wǎng)絡中大部分都是低層網(wǎng)絡提供的信息，網(wǎng)絡的弱特征太多，導致網(wǎng)絡的魯棒性差。

基于上述原因，我們借鑒Lin等［13］思路，采用如圖5（d）所示的特征金字塔網(wǎng)絡（Feature Pyramid Network），將自底向上和自頂向下的路徑進行橫向信息融合。比如，將第四層采用1×1卷積層的上采樣操作結果與第二層降維操作的結果相加，經(jīng)過3×3卷積操作后輸入到第五層網(wǎng)絡進行分類和回歸。通過將高分辨率、低語義信息的低層特征和低分辨率、高語義信息的高層特征融合，每一層特征圖都可以根據(jù)分辨率的不同分別做對應分辨率大小的目標檢測，同時這種連接幾乎不會增加網(wǎng)絡額外的時間和計算量，只是在基礎網(wǎng)絡上增加了跨層連接。

3.3 級聯(lián)激活函數(shù)

為了更好地將網(wǎng)絡用在無人機視覺定位，必須要考慮網(wǎng)絡的實時性問題。ReLU［14］自提出以來，由于可以有效緩解梯度消失、計算方便快捷等原因迅速成為最常用的激活函數(shù)。但也存在著成對現(xiàn)象，即低層卷積層的濾波器存在著嚴重的負相關性，隨著網(wǎng)絡變深，負相關性減弱［15］。所以，在網(wǎng)絡的前半部分，ReLU會在訓練過程中抵消部分負響應，造成卷積核冗余。

為了解決這個問題，借鑒Hong等［16］研究，引入級聯(lián)激活函數(shù)C.ReLU（Concatenated Rectified Linear Units）。定義：

則

為了抵消成對現(xiàn)象，根據(jù)C.ReLU構造如圖6所示結構。將輸出通道減少一半，通過將激活函數(shù)額外做一次取反，等價于將輸入相位旋轉(zhuǎn)180°，從而實現(xiàn)原來的輸出總量，在不改變精度的情況下減少一半的運算量。

4 無人機視覺定位

4.1 投影原理

無人機對獲取的圖像檢測目標，根據(jù)目標實際位置和圖像中的位置，經(jīng)過投影關系和坐標轉(zhuǎn)換獲得無人機位置信息。根據(jù)像素坐標系(u ，v )，圖像坐標系相機坐標系(xc，yc，zc)，可得經(jīng)典無人機投影變換方程為

其中，(u0，v0)是圖像坐標系原點在像素坐標系中的坐標。 f為焦距，fu=f/dx，fv=f/dy。三維正交旋轉(zhuǎn)矩陣R和平移變換向量t為世界坐標系中的點到相機坐標系的變換矩陣。

圖6 C.ReLU結構

然而現(xiàn)實中，攝像機鏡頭存在嚴重的畸變，尤在遠離圖像中心處，像差比較明顯。為了提高計算精度，需要考慮無人機鏡頭畸變。本文根據(jù)張正友標定算法［17］，運用萊文貝格-馬夸特方法［18］解決多參數(shù)非線性系統(tǒng)優(yōu)化問題，從而確定相機參數(shù)和畸變系數(shù)，實現(xiàn)畸變矯正、圖像校正和最終三維信息恢復。

4.2 無人機視覺定位算法

圖7 無人機視覺定位算法流程圖

通過將級聯(lián)卷積網(wǎng)絡的目標檢測融入到視覺投影，代替?zhèn)鹘y(tǒng)圖像處理模塊，可以得到無人機的位置信息［19］。本文中，無人機通過識別已知位置信息的目標得到無人機自身位置信息。該算法流程圖如圖7所示。

1）無人機在高空飛行時，對地面圖像進行采集。

2）將當前拍攝圖像經(jīng)過張正友標定算法進行圖像校正和三維信息恢復。

3）將校正后的圖像輸入級聯(lián)卷積網(wǎng)絡。

4）級聯(lián)卷積網(wǎng)絡將檢測到的目標分類，并以方框框出的形式標注出目標在圖像中的位置，同時得到方框四個頂點像素坐標。

5）根據(jù)四個頂點的像素坐標，得到目標中心在圖像中的坐標。

6）利用投影轉(zhuǎn)換和已知目標的位置信息，可以得到無人機自身位置信息。

5 對比仿真實驗

5.1 實驗數(shù)據(jù)與配置

以煙臺市芝罘區(qū)為中心的海邊區(qū)域作為研究對象，采用無人機進行數(shù)據(jù)采集。為了提高模型的適應性和魯棒性，采集了10類特征比較明顯的目標在不同觀測角度和飛行高度下的圖像，通過旋轉(zhuǎn)、調(diào)整亮度、加入噪聲等方法擴大樣本，模仿Pascal voc2007數(shù)據(jù)集的構造過程，得到自己的數(shù)據(jù)集UVNLD。UVNLD數(shù)據(jù)集包括10類目標的正樣本，每類2000幅。其中訓練樣本每類1000幅，測試樣本每類1000幅，共計20000幅。

在64位的ubuntu14.04系統(tǒng)，安裝了CUDA 8.0，cuDNN 5.0和python 2.7的環(huán)境下，我們選用caffe框架訓練本文網(wǎng)絡模型。CPU為Intel（R）Core（TM）i7-6770K@4.00GHz×8，GPU為NVIDIA GTX1080，8G內(nèi)存。

5.2 仿真對比

5.2.1 幾種網(wǎng)絡精度對比

表1是為了驗證本文所提級聯(lián)卷積網(wǎng)絡在目標檢測中的性能，進行的幾組在數(shù)據(jù)集UVNLD的檢測結果。其中，R表示加入了級聯(lián)R-CNN的網(wǎng)絡，F(xiàn)表示加入了語義級聯(lián)的網(wǎng)絡，級聯(lián)卷積網(wǎng)絡則是本文提出的目標檢測網(wǎng)絡，通過在Faster R-CNN基礎上修改網(wǎng)絡Inception結構，引入級聯(lián)R-CNN和語義級聯(lián)的網(wǎng)絡。這里，檢測任務的評價指標是AP（Average Precision），定義如下：

其中R為召回率，P為精度。

分別訓練和測試四種網(wǎng)絡，得到UVNLD數(shù)據(jù)庫的測試結果，見表1。我們可以看出，通過加入級聯(lián) R-CNN，無論是 AP50，AP75還是 AP，網(wǎng)絡精度都得到了明顯的提高。這種級聯(lián)檢測器比單獨檢測器效果好的多，此外，經(jīng)過多個檢測器后，候選區(qū)域的IoU也會提高，可以增加高IoU區(qū)域的正樣本數(shù)量，對于網(wǎng)絡的過擬合有明顯抑制作用，確保網(wǎng)絡在高IoU檢測器區(qū)間的精度。進一步對比APS和APM可以看出，語義級聯(lián)對小目標的檢測提升明顯，通過增加上下文信息，融合高層底層語義信息后，增加了特征映射的分辨率，即在更高層的特征上可以獲得更多與小目標相關的有用信息。

通過上述改進，級聯(lián)卷積網(wǎng)絡可以顯著提高網(wǎng)絡檢測小目標的精度，整體精度更是達到了87.9%。部分檢測結果如圖8所示，所得邊界框與真實邊界框平均誤差為2，滿足了網(wǎng)絡的設計要求。

表1 幾種網(wǎng)絡精度

5.2.2 級聯(lián)激活函數(shù)對速度的影響

通過上述方法，網(wǎng)絡的精度有了極大的提到。但是，無人機視覺定位除了滿足精度要求，還要保證網(wǎng)絡的實時性。本文測試了兩種傳統(tǒng)Faster-RCNN以及是否使用了級聯(lián)激活函數(shù)的級聯(lián)卷積網(wǎng)絡。這里評判標準ms是指網(wǎng)絡檢測運行的平均時間，以毫秒為計。

表2 不同高度下無人機定位精度

加深網(wǎng)絡層數(shù)，對網(wǎng)絡的精度有很大提升，但也會導致網(wǎng)絡檢測速度的大幅下降，見表2。僅僅是將卷積子網(wǎng)絡從VGG16改為ResNet101，網(wǎng)絡速度就有了明顯的下降。在網(wǎng)絡結構中，通過引入Inception結構等，可以一定程度降低網(wǎng)絡運行時間，但是網(wǎng)絡的速度依舊遠不達要求。

引入級聯(lián)激活函數(shù)后，每層網(wǎng)絡都可以減少一半的計算量，特別是隨著網(wǎng)絡層數(shù)的增加，對卷積網(wǎng)絡指數(shù)級參數(shù)增加有了極大的抑制，效果明顯，降低了網(wǎng)絡對硬件的要求。

5.3 無人機飛行實驗

為了檢驗目標檢測網(wǎng)絡應用于無人機視覺定位的效果，我們在UVNLD數(shù)據(jù)集上又增加了驗證集圖片，在保證無人機特定高度下，收集相機拍攝角度分別為45°，60°，90°的圖片若干張，同時記錄無人機的當前實際位置信息。根據(jù)上述步驟，將驗證集圖片導入，對比網(wǎng)絡求取的無人機位置信息與預先記錄的無人機實際位置信息，得到表3。

圖8 部分檢測結果圖

表3結果表明，通過引入目標檢測網(wǎng)絡代替?zhèn)鹘y(tǒng)的圖像處理模塊，進行無人機視覺定位，基本可以實現(xiàn)無人機定位誤差在0.3m以內(nèi)，滿足無人機視覺定位的需求。特別是當無人機相機垂直角度采集數(shù)據(jù)時，網(wǎng)絡正確檢測的區(qū)域準確率更是達到了91.1%，定位誤差縮小到0.22m，滿足無人機視覺定位的要求。

表3 不同高度下無人機定位精度

無人機在相機不同高低角對正確區(qū)域檢測率和無人機定位誤差的影響，主要體現(xiàn)在相機非垂直拍攝時，目標在圖像會有一定的投影誤差。高低角越低，投影誤差越明顯，目標檢測框誤差也會越大，進而影響無人機的定位誤差。適當提高無人機拍攝高度，可以一定程度上減小投影誤差的影響，從而提高無人機定位結果。

6 結語

本文在Faster R-CNN網(wǎng)絡的基礎上，通過引入Inception結構，設計級聯(lián)R-CNN，語義級聯(lián)和級聯(lián)激活函數(shù)，提出了級聯(lián)卷積網(wǎng)絡，既可以提高網(wǎng)絡在各個候選區(qū)域的檢測精度，又可以重點解決小目標檢測問題，對網(wǎng)絡的整體檢測精度有了較大的提升。經(jīng)過在煙臺當?shù)財?shù)據(jù)采集并自建數(shù)據(jù)庫學習，級聯(lián)卷積網(wǎng)絡對圖像的目標檢測精度穩(wěn)定在87.9%。將此網(wǎng)絡引入無人機視覺定位，代替?zhèn)鹘y(tǒng)圖像處理模塊，在考慮相機畸變的情況下，設計了一整套無人機視覺定位算法。試飛實驗表明，無人機視覺定位誤差穩(wěn)定在0.3m以內(nèi)，滿足無人機視覺定位的要求。