韓 峰 萬少松

（西京學(xué)院，陜西 西安710000）

1 概述

在計(jì)算機(jī)視覺這個大領(lǐng)域下有眾多的分支研究，其中對生活中行人的檢測作為其分支之一是當(dāng)下一個主流的研究，通過現(xiàn)有目標(biāo)檢測算法模型加以改進(jìn)研究以達(dá)到對行人檢測能有更好的性能。目標(biāo)檢測算法發(fā)展到當(dāng)下主要被分成了兩個類別：基于候選區(qū)域的目標(biāo)檢測算法（兩個階段）：常用的有Fast R-CNN[1]、Faster R-CNN[2]，基于回歸的目標(biāo)檢測算法（一個階段）：常用的有YOLO[3]，SSD。由Redmon 等人提出的YOLOv3 算法由于具有良好的識別率和實(shí)時性而被大量運(yùn)用于行人檢測中。

2 YOLOv3 算法

YOLOv3 算法是基于v1、v2 算法的基礎(chǔ)上改進(jìn)而來的，v3算法采用了分類效果更好的darknet-53，相比前2 個算法所用的ResNet-152 和ResNet-101，darknet-53 神經(jīng)網(wǎng)絡(luò)層數(shù)更精簡，但在分類精度保持一致的同時計(jì)算效率有了提升。

FAST R-CNN 算法中使用的是候選區(qū)域特征提取，與之相比的YOLOv3 采取的方式是直接對一整張圖片來進(jìn)行卷積步驟，這樣做的好處是可以加快計(jì)算速度，但對于訓(xùn)練相對較大的物體，背景信息也可能被算成目標(biāo)里的一部分，因此在檢測大物體時檢測效果相對較差。

YOLOv3 提取了darknet-53[5]中下采樣為8 倍、16 倍、32 倍時的特征圖圖像尺度分別為13*13、26*26、52*52。使用FPN 網(wǎng)絡(luò)[4]對darknet-53 網(wǎng)絡(luò)中提取的三個尺度不同的特征圖進(jìn)行融合處理，利用多尺度信息策略幫助網(wǎng)絡(luò)模型能學(xué)習(xí)到不同深度的特征信息，最后將多種特征融合在一起并輸入YOLO 層進(jìn)行類別預(yù)測和邊界框回歸運(yùn)算。

每當(dāng)圖像被卷積后，尺寸發(fā)生變化縮小成原來的一半。每個卷積層的實(shí)現(xiàn)是由卷積+BN 層+激活函數(shù),設(shè)置添加后的殘差模塊在其基礎(chǔ)上需要進(jìn)行零填充的設(shè)置。YOLOv3 共計(jì)算出10647 個數(shù)據(jù)的預(yù)測。

對于多尺度檢測來說，圖像的直接信息中就包含分辨率信息，就是構(gòu)成目標(biāo)需要的像素數(shù)量。像素的數(shù)目越高，目標(biāo)圖像的語義信息就更加具體清晰，這意味著可以獲得的分辨率信息更多，因此大尺寸特征圖主要用來進(jìn)行分辨率信息獲取。語義信息在目標(biāo)檢測中的是用來區(qū)分出目標(biāo)與背景之間的關(guān)系，因此語義信息就是能準(zhǔn)確的分辨出哪些是目標(biāo)哪些是背景。不同種類的語義信息需要的細(xì)節(jié)信息也不盡相同，而且語義信息的分辨率越小，能獲得的細(xì)節(jié)信息越少。對于小目標(biāo)來講，尺度較小的特征圖無法提取有效的分辨率信息，這種時候還是需結(jié)合大尺度的特征圖的語義信息來進(jìn)一步識別。

3 YOLOv3 算法的改進(jìn)

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3 算法通過結(jié)合殘差網(wǎng)絡(luò)的作用提出Darknet-53 網(wǎng)絡(luò)，并通過殘差結(jié)構(gòu)降低了訓(xùn)練的難度，Darknet-53 網(wǎng)絡(luò)實(shí)現(xiàn)了對多種目標(biāo)的檢測。然而對于本文研究的行人目標(biāo)檢測內(nèi)容來說，Darknet-53 網(wǎng)絡(luò)是復(fù)雜冗余的。因?yàn)榫W(wǎng)絡(luò)層數(shù)越多，需要計(jì)算的參數(shù)就越多，這將導(dǎo)致訓(xùn)練時間加長并且訓(xùn)練變的復(fù)雜，會極大影響訓(xùn)練的效率，造成過擬合，也會影響檢測的速度。

因此，本文在改進(jìn)YOLOv3 算法時，使用darknet-19[6]網(wǎng)絡(luò)替代原有的darknet-53 網(wǎng)絡(luò)并結(jié)合YOLOv3 的多尺度檢測環(huán)節(jié)。Darknet-19 網(wǎng)絡(luò)如圖1 所示。Darknet-19 網(wǎng)絡(luò)去掉了殘差網(wǎng)絡(luò)降低了網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性。

圖1

3.2 多尺度檢測的改進(jìn)

YOLOv3 通過把多種尺度信息融合的方式進(jìn)行目標(biāo)檢測，每一種特征圖都進(jìn)行檢測，采樣倍數(shù)越高的特征圖就可以檢測更精細(xì)的目標(biāo)，對于圖像中的小目標(biāo)行人檢測效果有所提升。

YOLOv3 在darknet-53 網(wǎng)絡(luò)中選用了3 個尺度的特征層，本文則是在Darknet-19 中選擇4 個特征層，結(jié)合不同尺寸的特征圖分配相對應(yīng)的錨點(diǎn)框，最終本文提出的多尺度檢測網(wǎng)絡(luò)結(jié)構(gòu)模型如圖2 所示。

圖2

3.3 損失函數(shù)

YOLOv3 中的損失函數(shù)由坐標(biāo)回歸損失、置信度損失和分類損失組成，其中坐標(biāo)回歸損失使用均方誤差（Mean Square Error, MSE）進(jìn)行計(jì)算，置信度v1，v2 損失和分類損失使用交叉熵進(jìn)行計(jì)算。

YOLOv3 的損失函數(shù)是v1，v2 函數(shù)改進(jìn)而來, 分為三個部分：

坐標(biāo)回歸損失函數(shù)：

4 實(shí)驗(yàn)總結(jié)

4.1 實(shí)驗(yàn)環(huán)境與訓(xùn)練

本文是基于pytorh 框架進(jìn)行實(shí)驗(yàn)，操作系統(tǒng)是windows 10,64 位 ，CPU 為 AMD R5-3600，GPU 為 GeForce RTX2070Super。在訓(xùn)練階段通過使用批量隨機(jī)梯度下降法來優(yōu)化損失函數(shù)。

4.2 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)訓(xùn)練所需的數(shù)據(jù)來自INRIA 數(shù)據(jù)集，選取了該數(shù)據(jù)的1804 張圖片，含有行人3542 個。除此之外，本研究還在校內(nèi)收集到了500 張含有行人的圖片，本文通過圖像標(biāo)注軟件labelImg 進(jìn)行信息標(biāo)注，得到了校園中行人的數(shù)據(jù)集。

4.3 結(jié)果分析

采用平均精度均值（mAP）對改進(jìn)后的算法進(jìn)行評估，實(shí)驗(yàn)結(jié)果表明在自制數(shù)據(jù)集上檢測精度達(dá)到了71.56%。但改進(jìn)后的算法對于遠(yuǎn)距離的行人目標(biāo)、受到遮擋的行人目標(biāo)依然會出現(xiàn)無法識別的問題

5 結(jié)論

本文通過對YOLOv3 算法的進(jìn)一步了解，在現(xiàn)有算法基礎(chǔ)了進(jìn)行了改進(jìn)，充分發(fā)揮了算法在行人檢測中檢測速度和精度上的優(yōu)勢。改進(jìn)后的算法很好的完成了對自制數(shù)據(jù)集的檢測。

但從實(shí)驗(yàn)效果來說，依然還需要去進(jìn)一步的研究，從而對YOLOv3 算法進(jìn)行更好的改進(jìn)，提高對遠(yuǎn)距離目標(biāo)以及遮擋物的檢測水平。