謝曉竹， 薛 帥

(陸軍裝甲兵學(xué)院信息通信系， 北京 100072)

在小型無人機云臺上加載高清攝像機進(jìn)行圖像和視頻拍攝，已經(jīng)成為其應(yīng)用方式之一[1]。人們通過分析無人機拍攝回來的圖像和視頻，對感興趣的目標(biāo)對象進(jìn)行分析，進(jìn)而獲取有用的信息。根據(jù)自動化程度的高低，獲取有用信息的方式可區(qū)分為人工手段和智能手段。人工手段是指將無人機傳回的圖像和視頻通過專業(yè)人員逐個檢測，進(jìn)而得到分析結(jié)果。但隨著大數(shù)據(jù)時代的到來，當(dāng)面臨海量的數(shù)據(jù)時，這種方式不僅工作效率低，而且耗費了大量的人力和物力，已經(jīng)不能適應(yīng)時代的發(fā)展。智能手段是計算機輔助分析的一種方式，其中目標(biāo)檢測是其主要的研究內(nèi)容和應(yīng)用前提。

在計算機視覺領(lǐng)域中，目標(biāo)檢測是指通過計算機分析圖像和視頻，對感興趣的目標(biāo)進(jìn)行識別，進(jìn)而獲取目標(biāo)的類別和準(zhǔn)確位置。傳統(tǒng)的目標(biāo)檢測算法有很多，如Haar+Adaboost[2]、HOG(Histogram of Oriented Gradient)+SVM(Support Vector Machine)[3]和DPM(Deformable Parts Model)[4]等，這些算法的共同缺陷是需要手工設(shè)計特征，難以適應(yīng)目標(biāo)的多樣性變化，檢測模型的魯棒性不強。深度學(xué)習(xí)方法以構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過對海量的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，進(jìn)而得出優(yōu)化的網(wǎng)絡(luò)模型參數(shù)，以此來實現(xiàn)目標(biāo)的檢測。相對于傳統(tǒng)的方法，該方法不僅在檢測準(zhǔn)確率上有了很大提高，其對復(fù)雜背景(如光照、陰影、霧氣等)下的目標(biāo)檢測也有很好的檢測效果。因此，深度學(xué)習(xí)方法已成為目標(biāo)檢測的主流。

基于深度學(xué)習(xí)的目標(biāo)檢測方法可分為2大類：一類是基于區(qū)域建議的方法，通常稱為兩階段檢測，該方法首先提取可能存在目標(biāo)的候選區(qū)域，而后對提取的候選區(qū)域進(jìn)行分類和邊界位置回歸，其優(yōu)點是檢測準(zhǔn)確率高，不足是速度慢，很難滿足實時性要求；另一類是端到端的目標(biāo)檢測方法，也稱作一階段檢測，相對于兩階段檢測，其主要優(yōu)勢是速度快、實時性強。筆者基于端到端的目標(biāo)檢測YOLOv3模型[5]，以無人機航拍汽車為檢測對象，結(jié)合無人機航拍的應(yīng)用場景特點，提出改進(jìn)的模型，為無人機交通監(jiān)管智能化提供前期的探索性研究參考。

1 YOLOv3模型

YOLOv3模型是當(dāng)前YOLO(YouOnlyLookOnce)模型[6]的最新改進(jìn)版本。該模型采用稱作Darknet-53的全卷積網(wǎng)絡(luò)結(jié)構(gòu)作為主結(jié)構(gòu)，擁有52個卷積層和1個池化層。同時借鑒了殘差網(wǎng)絡(luò)(Residual neural Network,ResNet)[7]和特征金字塔(Feature Pyramid Networks,FPN)[8]，可實現(xiàn)多尺度目標(biāo)的預(yù)測。其算法基本思想是：當(dāng)訓(xùn)練模型時，利用全卷積網(wǎng)絡(luò)提取輸入圖像特征，獲取3種尺度大小的特征圖，分別為N1×N1、N2×N2和N3×N3，相當(dāng)于將輸入圖像分別劃分為N1×N1、N2×N2和N3×N3個單元格。如果輸入圖像中的被檢測物體中心點落入某個單元格，那么就由該單元格負(fù)責(zé)預(yù)測該目標(biāo)。該單元格在3種尺度下分別選取和標(biāo)簽框最大的交并比IOU(Intersection Over Union)進(jìn)行預(yù)測，同時使用多個邏輯分類器進(jìn)行回歸，從而訓(xùn)練出網(wǎng)絡(luò)結(jié)構(gòu)的每一層權(quán)重參數(shù)。當(dāng)預(yù)測時，利用訓(xùn)練好的網(wǎng)絡(luò)模型對輸入圖像即可實現(xiàn)一次性輸出，即實現(xiàn)目標(biāo)的分類和定位，其模型結(jié)構(gòu)如圖1所示。

圖1 YOLOv3模型結(jié)構(gòu)

輸入圖像在經(jīng)過79層卷積后有3個分支：第1個分支經(jīng)過3個卷積層生成第一種尺度(大小為13×13像素)的特征圖，相對于原輸入圖像大小，下采樣倍數(shù)為32，感受野最大，主要用來檢測圖像中相對尺寸較大的物體；第2分支經(jīng)過1個卷積層卷積后，進(jìn)行2倍上采樣操作，然后與卷積層第61層進(jìn)行特征融合，即相同大小的特征圖維度相加，而后經(jīng)過一系列卷積后形成第2種尺度(大小為26×26像素)的特征圖，相對于原始輸入圖像大小，下采樣倍數(shù)為16，主要用來檢測圖像中中等尺寸大小的物體；第3分支采用同樣的原理，通過融合91層與36層，形成第3種尺度(大小為52×52像素)的特征圖，下采樣倍數(shù)為8，感受野最小，適合檢測圖像中尺寸較小的物體。

2 模型的改進(jìn)

2.1 航拍汽車目標(biāo)的特點

與普通拍攝相比，航拍汽車具有如下特點[9]：

1) 汽車目標(biāo)相對尺度多樣。由于拍攝的高度及角度不同，如50 m高空拍攝與300 m高空拍攝，正上方拍攝和側(cè)上方拍攝，會形成圖像或視頻幀中的汽車目標(biāo)大小不一，形狀各異，這是檢測的難點之一。

2) 拍攝圖像質(zhì)量差異多變。萬里晴空下，成像質(zhì)量較高。不良?xì)夂蛳?，受到風(fēng)力及無人機自身飛行穩(wěn)定性能的限制，雖然有云臺發(fā)揮作用，但抖動還是不可避免。同時，受陰雨、霧霾等不良天氣的影響，成像畫面模糊，汽車特征不明顯。

3) 拍攝視野廣。航拍的圖像或視頻幀中包含很多與檢測目標(biāo)無關(guān)的干擾信息，并且通常情況下一張圖像或視頻幀中包含的檢測目標(biāo)也較多，增大了檢測的難度。

2.2 YOLOv3模型的改進(jìn)

傳統(tǒng)的YOLOv3模型通過在3個尺度中實現(xiàn)高層特征與低層特征的融合，形成了類似于金字塔式的語義信息，增強了網(wǎng)絡(luò)的表示能力。相對于YOLOv2模型[10]，雖然提升了對多尺度目標(biāo)的檢測能力，但對小目標(biāo)的檢測精度還不是很高，定位時IOU較低。結(jié)合單類別目標(biāo)檢測的特點和航拍汽車檢測的實際應(yīng)用場景需要，筆者對YOLOv3模型主要進(jìn)行如下2個方面的改進(jìn)。

2.2.1 增強分支融合

在YOLO系列模型思想中，網(wǎng)格分得越細(xì)，對尺寸較小的目標(biāo)檢測能力越強，但同時也會帶來網(wǎng)絡(luò)參數(shù)的成倍增加，增大了模型的訓(xùn)練難度和復(fù)雜度，進(jìn)而會影響模型的實際檢測精度和速度。綜合衡量，為增強對小目標(biāo)檢測能力，提高定位精度，筆者提出了改進(jìn)大尺度分支網(wǎng)絡(luò)結(jié)構(gòu)的模型，命名為ZQ-YoloNet，主要是通過加強第3分支的語義表征能力和位置信息，進(jìn)而優(yōu)化檢測效果。改進(jìn)的模型依然使用YOLOv3的主結(jié)構(gòu)，在其他2個分支結(jié)構(gòu)不變的情況下，卷積層(第79層)特征圖經(jīng)過4倍上采樣后與第36層特征圖進(jìn)行級聯(lián)融合，而后再與經(jīng)過2倍上采樣后的卷積層(第91層)特征圖進(jìn)行級聯(lián)融合，最后與經(jīng)過數(shù)次卷積后的卷積層(第11層)進(jìn)行級聯(lián)融合，最終構(gòu)成尺度3分支結(jié)構(gòu)，改進(jìn)模型的結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)模型的結(jié)構(gòu)

2.2.2 優(yōu)化生成錨點框(anchors)

YOLOv3模型使用k-means聚類(dimension clusters)方法自動生成錨點框，默認(rèn)輸入圖像大小為416×416像素，使用距離公式為

d(box,centroid)=1-IOU(box,centroid)，

(1)

式中：d(box,centroid)為標(biāo)簽框與中心框的距離；IOU(box,centroid)為標(biāo)簽框與中心框的交并比。因為應(yīng)用場景的差異，原模型使用的錨點框是由COCO(Common Objects Context)數(shù)據(jù)集中得出的，并不適用于本文訓(xùn)練使用的數(shù)據(jù)集，因此需要分析k值的大小并重新生成相應(yīng)的錨點框。與原模型不同，本文使用k-means++聚類[11]方法，其算法基本流程如下：

1) 初始化。獲取訓(xùn)練數(shù)據(jù)集中標(biāo)簽框坐標(biāo)(xi,yi,wi,hi),i=1,2,…,n，其中n為訓(xùn)練集中標(biāo)簽框的總數(shù)，(xi,yi)為標(biāo)簽框中心坐標(biāo)，wi、hi分別為標(biāo)簽框的寬和高。同時從數(shù)據(jù)集中隨機選定一個樣本作為聚類中心C。

3) 重復(fù)第2)步，直至選出k個聚類中心，對應(yīng)的大小為(Wj,Hj),j=1,2,…,k，其中Wj、Hj分別為中心框的寬和高。

4) 計算每個標(biāo)簽框與中心框的距離：d=1-IOU((xi,yi,wi,hi),(xi,yi,Wj,Hj))，將標(biāo)簽框歸為距離最小的那個中心框類。

6) 返回第4)、5)步重新計算，直至(Wj,Hj)變化趨于0。

3 實驗及結(jié)果分析

3.1 實驗平臺和數(shù)據(jù)集

實驗環(huán)境配置如表1所示。

構(gòu)建的數(shù)據(jù)集共有1 300張圖像，其中訓(xùn)練集1 000張，驗證集300張。圖像最小為528×278像素，最大為1 280×720像素，標(biāo)注工具使用yolo_mark軟件。

表1 實驗環(huán)境配置

3.2 模型的訓(xùn)練

3.2.1 生成錨點框

使用K-means++聚類方法生成錨點框。首先求取不同k值對應(yīng)生成的錨點框和標(biāo)簽框的平均IOU，該值反映了錨點框與標(biāo)簽框的相似程度。當(dāng)平均IOU越大時，選取的錨點框越接近標(biāo)簽框，越有利于模型的初始訓(xùn)練。同時，簇數(shù)k值越大，模型越復(fù)雜，訓(xùn)練中也就越難收斂。這里取k值為1～15，得出k與平均IOU關(guān)系曲線，如圖3所示。

圖3 k與平均IOU關(guān)系曲線

考慮到模型的訓(xùn)練復(fù)雜度和錨點框初始化的效果，這里選取k=9，并進(jìn)行錨點框的生成，聚類生成圖如圖4所示。

圖4 k=9的聚類生成圖

3.2.2 改進(jìn)模型的訓(xùn)練

采用多尺度訓(xùn)練模式，模型初始輸入大小為416×416像素，每4個迭代循環(huán)后，從320～608，步長為32的范圍中隨機選擇一個數(shù)值作為新的輸入，使用darknet53.conv.74作為初始化訓(xùn)練權(quán)重參數(shù)[12]，共迭代5 000次。訓(xùn)練過程主要參數(shù)選取如表2所示。

表2 訓(xùn)練過程參數(shù)選取表

訓(xùn)練中根據(jù)迭代次數(shù)動態(tài)調(diào)整學(xué)習(xí)率。初始學(xué)習(xí)率隨機指定，當(dāng)?shù)螖?shù)>1 000次時，采用指定策略更新學(xué)習(xí)率。更新策略為：迭代次數(shù)在區(qū)間(1 000,2 000]時，學(xué)習(xí)率為0.001；在區(qū)間(2 000,3 000]時，學(xué)習(xí)率為0.000 1；在區(qū)間(3 000,5 000]時，學(xué)習(xí)率為0.000 01。訓(xùn)練收斂曲線如圖5所示，平均IOU與訓(xùn)練迭代次數(shù)關(guān)系曲線如圖6所示。

圖5 訓(xùn)練收斂曲線

圖6 平均IOU與迭代次數(shù)關(guān)系曲線

3.3 模型評測與分析

3.3.1 模型的評判標(biāo)準(zhǔn)

目標(biāo)檢測領(lǐng)域中，檢測模型的評價指標(biāo)通常包括平均精度mAP(mean Average Precision)、精確率P(precision)、召回率R(recall)和交并比IOU。結(jié)合本文的應(yīng)用場景，具體評價指標(biāo)計算如下：

當(dāng)檢測目標(biāo)為單一類別時，平均精度mAP即為AP，其計算公式為

(2)

式中：ci為單張圖像中目標(biāo)檢測的準(zhǔn)確率；m為圖像總數(shù)。

P=TP/(TP+FP)，

(3)

R=TP/(TP+FN)，

(4)

式中：TP為被正確檢出的數(shù)量；FP為錯誤檢出的數(shù)量；FN為漏檢的數(shù)量。

IOU=A/U，

(5)

式中：A為預(yù)測框與標(biāo)簽框重疊的面積；U為預(yù)測框與標(biāo)簽框的并集面積。

除此之外，P和R的調(diào)和平均數(shù)F-Score也是一種評價指標(biāo)，它綜合衡量了精確率P與召回率R，其計算公式為

F-Score=(β2+1)×P×R/(β2×P+R)，

(6)

式中：β為調(diào)和系數(shù)，本文取β=1，即使用F1-Score評價標(biāo)準(zhǔn)。

3.3.2 模型對比分析

使用同樣的數(shù)據(jù)集和訓(xùn)練參數(shù)對原YOLOv3模型進(jìn)行訓(xùn)練，在驗證集中進(jìn)行分析比較，改進(jìn)后的YOLOv3模型ZQ-YoloNet和原模型性能參數(shù)對比如表3所示。

表3 模型性能參數(shù)對比 %

由表3可以看出：改進(jìn)后的ZQ-YoloNet模型平均精度比原YOLOv3模型提高了0.2%，F(xiàn)1-Score指標(biāo)提升了0.19%，平均IOU提升了2.18%，說明改進(jìn)后的模型綜合性能更好，檢測準(zhǔn)確率和定位精度更高。當(dāng)對大小為1 280×720像素的mp4格式的視頻進(jìn)行檢測時，幀速率不低于40幀/s，相對于PAL(Phase Alteration Line)制式和NTSC(National Television Standards Committee)標(biāo)準(zhǔn)，可以滿足對視頻實時檢測的要求。

圖7、8分別展示了對圖像和視頻的測試效果?？梢钥闯觯涸Ｐ驮跈z測目標(biāo)時標(biāo)出的矩形框范圍過大，即定位不夠準(zhǔn)確。改進(jìn)的模型在檢測目標(biāo)時標(biāo)出的矩形框范圍相對合理，即定位較為準(zhǔn)確，并且物體的置信度百分比也比原模型有所提高。經(jīng)過驗證，改進(jìn)的模型對小型無人機航拍圖像和視頻中汽車的檢測具有良好的效果。

圖7 模型改進(jìn)前后圖像檢測效果對比

圖8 模型改進(jìn)前后視頻檢測效果對比

4 結(jié)論

筆者提出的ZQ-YoloNet模型,在驗證集中獲得了較好的檢測精確率和定位精度,同時通過對數(shù)據(jù)集之外的小型無人機航拍圖片和視頻進(jìn)行驗證檢測，也得到了良好的檢測效果。由于自身條件限制，本文制作的數(shù)據(jù)集圖像分辨率不高，這在一定程度上降低了訓(xùn)練模型的性能。在后續(xù)學(xué)習(xí)中，將在研究深度學(xué)習(xí)模型結(jié)構(gòu)的同時，制作出高分辨率的圖像數(shù)據(jù)集，以此獲得更好的試驗效果。