張舒瑞

（江蘇省新海高級中學，江蘇連云港，222000）

0 引言

無人駕駛作為當今人工智能領(lǐng)域的頭號研究目標，其廣闊的應(yīng)用前景使其受到世界各國的強烈關(guān)注。人們對于無人駕駛的遐想早已在19世紀20年代便初現(xiàn)端倪，那時因為還不存在人工智能的概念，人們將無人駕駛的定義僅僅局限于用無線電對其進行操控。直到半個世紀過后，智能駕駛邏輯算法的問世方才突破此領(lǐng)域中的瓶頸，從而對實現(xiàn)無人駕駛邁出關(guān)鍵性的一步。無人駕駛最受爭議的部分就是安全問題，而安全問題大部分基于對路況和突發(fā)情況的判斷，這時讓汽車擁有獨立的“思想”就尤為重要，其中目標檢測算法更為關(guān)鍵，只有擁有了成熟的目標檢測算法才可以讓無人駕駛這一技術(shù)達到更安全的保障[1]。而深度學習技術(shù)則推動了目標檢測算法的不斷進步，使無人駕駛技術(shù)在商用領(lǐng)域取得了重大進展和突破。

1 目標檢測技術(shù)

目標檢測屬于計算機視覺中的一個子問題。目標檢測技術(shù)主要目的是找出圖像中感興趣的物體，包含物體的定位和分類兩大任務(wù)，即同時確定物體的類別和物體的位置。因此目標檢測任務(wù)可分為兩個子任務(wù)：目標分類和目標定位。目標分類任務(wù)負責判斷輸入圖像或所選擇圖像區(qū)域中是否有感興趣類別的物體出現(xiàn)，輸出一系列帶分數(shù)的標簽表明感興趣類別的物體出現(xiàn)在輸入圖像或所選擇圖像區(qū)域中的可能性[2]。目標定位任務(wù)負責確定輸入圖像或所選擇圖像區(qū)域中感興趣類別的物體的位置和范圍，輸出物體的包圍框、或物體中心、或物體的閉合邊界等，通常使用方形包圍盒，即Bounding Box用來表示物體的位置信息。目標檢測示意圖如圖1所示。

圖1 目標檢測示意圖

■1.1 目標分類任務(wù)

圖像分類主要采用統(tǒng)計機器學習中的有監(jiān)督學習方法，通過主動的喂給計算機關(guān)于某些特定標簽的數(shù)據(jù)，并建立模型、策略、算法的統(tǒng)計機器學習三要素[3]，實現(xiàn)對物體的識別過程。經(jīng)典的二分類方法主要使用Logistic Regression進行圖像分類，其算法流程如下：

首先需要將圖像數(shù)據(jù)進行預(yù)處理，圖像在計算機中以三原色的方式存儲，通過數(shù)據(jù)的拼接將單一圖片由[p_x,p_y,3]轉(zhuǎn)變?yōu)閇p_x＊p_y＊3,1]的一維向量。同時為每一個訓練數(shù)據(jù)指定其標簽，即物品的分類結(jié)果。

其次，在機器學習領(lǐng)域中，邏輯斯蒂回歸（Logistic Regression）可以用來實現(xiàn)分類操作，它可以看做一個沒有隱藏層的簡單神經(jīng)網(wǎng)絡(luò)。通過建立線性部分WTX+b，其中W為各節(jié)點的權(quán)重、b為偏置，并對線性部分的計算結(jié)果添加非線性的激活函數(shù)Sigmoid，從而實現(xiàn)對數(shù)據(jù)的更高維度的擬合，比如二次項等。最終建立的預(yù)測模型為[4]:

隨后，在建立了模型的基礎(chǔ)上，指定模型擬合評價的策略即損失函數(shù)，該部分用來衡量參數(shù)W和b對模型擬合的效果。

最后，制定優(yōu)化損失函數(shù)的算法，較為常用的方法是梯度下降法。通過不斷更新參數(shù)，從而實現(xiàn)模型的最優(yōu)化，最終得到參數(shù)W和b。

圖2 邏輯回歸算法示意

圖3所示的貓分類就是典型的分類算法，通過將圖像進行預(yù)處理和向量化，輸入到模型中，最后模型的輸出結(jié)果就是圖片為貓的置信度。

圖3 圖片分類示意圖

■1.2 目標定位任務(wù)

目標定位即準確的輸出目標所在的位置，二維的物體可以使用輸出目標的所在區(qū)域的（x,y）方框來實現(xiàn)。目標定位任務(wù)所要預(yù)測的結(jié)果是一個連續(xù)的點，因此可將其看作一個典型的回歸任務(wù)。

圖4 目標定位坐標

將其看做回歸問題，我們需要預(yù)測出（x,y,w,h）四個參數(shù)的值，從而得出方框的位置。

基于傳統(tǒng)的機器學習算法進行分類和回歸問題時，當圖片輸入維度較大時，會導致參數(shù)數(shù)量的劇增，尤其是傳統(tǒng)算法普遍使用全連接的方法，只能使用較淺的層次進行學習。在此基礎(chǔ)上，逐漸發(fā)展而來的卷積神經(jīng)網(wǎng)絡(luò)、反向傳播等算法降低了參數(shù)量和參數(shù)計算的復(fù)雜度，從而實現(xiàn)了更深層次的模型，從而可以模擬更復(fù)雜的模型，實現(xiàn)更高的精度。

2 深度學習與卷積神經(jīng)網(wǎng)絡(luò)

■2.1 深度學習的概念

深度學習是機器學習的子集，主要使用人工神經(jīng)網(wǎng)絡(luò)來妥善解決計算機網(wǎng)絡(luò)視覺效果、自然語言處理、自動語音辨識等等關(guān)鍵問題。

深度學習器由若干處理層組成，每層包含至少一個處理單元，每層輸出為數(shù)據(jù)的一種表征，且表征層次隨處理層次增加而提高。深度的定義是相對的。針對某具體場景和學習任務(wù)，若學習器的處理單元總數(shù)和層數(shù)分別為M和N，學習器所保留的信息量或任務(wù)性能超過任意層數(shù)小于N且單元總數(shù)為M的學習器，則該類學習裝置為嚴格的或是狹義的深度學習裝置，其對應(yīng)的設(shè)計、訓練以及使用方式集合為嚴格的或是狹義的深度學習。

■2.2 深度學習和卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一類包括卷積運算且有著深度內(nèi)部結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學習的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)有著表征學習能力，通過疊加深層次的網(wǎng)絡(luò)，能夠擬合較為復(fù)雜的模型。

深度學習的概念起源于人工神經(jīng)網(wǎng)絡(luò)，本質(zhì)上是指一類對具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)進行有效訓練的方法。神經(jīng)網(wǎng)絡(luò)是一種由許多非線性計算單元（或稱神經(jīng)元、節(jié)點）組成的分層系統(tǒng)，通常網(wǎng)絡(luò)的深度就是其中不包括輸入層的層數(shù)。

卷積神經(jīng)網(wǎng)絡(luò)用于通過將原始圖像通過層轉(zhuǎn)換為類分數(shù)來識別圖像。CNN的靈感來自視覺皮層。每當我們看到某些東西時，一系列神經(jīng)元被激活，每一層都會檢測到一組特征，如線條，邊緣。高層次的層將檢測更復(fù)雜的特征，以便識別我們所看到的內(nèi)容。

深度學習CNN模型進行訓練和測試，每個輸入圖像將通過一系列帶有卷積核，Pooling，全連接層（FC）的卷積層并通過Softmax函數(shù)對目標的概率值的對象進行分類。

卷積神經(jīng)網(wǎng)絡(luò)分為多層結(jié)構(gòu)：

（1）輸入層（即訓練數(shù)據(jù)）：輸入圖層或輸入體積是具有以下尺寸的圖像：[寬x高x深]。它是像素值的矩陣。

圖5 RGB矩陣

（2）卷積層：卷積是從輸入圖像中提取特征的第一層，Conv層的目標是提取輸入數(shù)據(jù)的特征。卷積通過使用小方塊輸入數(shù)據(jù)學習圖像特征來保持像素之間的關(guān)系。

圖6 卷積

（3）Stride：Stride是輸入矩陣上的像素移位數(shù)。 當步幅為1時，我們將濾波器移動到1個像素。 當步幅為2時，我們一次將濾鏡移動到2個像素，以此類推。

（4）Padding(填充)：有時卷積的滑動幅度不一定適合輸入圖像。我們有兩種選擇：用零填充圖片（零填充）以使其適合；刪除濾鏡不適合的圖像部分。

圖7 步幅

（5）激活函數(shù)(ReLu)：ReLU代表整流線性單元，用于非線性操作。輸出是?(x)=max(0,x)ReLU的目的是在我們的卷積操作中引入非線性。 因為，現(xiàn)實世界的真實模型往往是復(fù)雜的非線性模型。

還可以使用其他非線性函數(shù)，例如tanh或sigmoid代替ReLU。大多數(shù)數(shù)據(jù)科學家使用ReLU，因為ReLU的性能明顯比其他兩個更好。

（6）池化層：池化層部分將減少圖像太大時的參數(shù)數(shù)量?？臻g池化也稱為子采樣或下采樣，它降低了每個圖片映射的維度，但保留了重要信息?？臻g池化可以是不同類型的：最大池化；平均池化；總和池化。

圖8 空間池化

（7）全連接層：我們稱之為FC層，我們將矩陣展平為矢量并將其饋入神經(jīng)網(wǎng)絡(luò)的全連接層。

在圖9中，特征映射矩陣將被轉(zhuǎn)換為矢量（x1，x2，x3，...）。通過全連接層，我們將這些功能組合在一起以創(chuàng)建模型。最后我們通過一個激活功能，如softmax或sigmoid，將輸出分類為貓，狗，汽車，卡車等。

圖9 全連接

圖10就是通過卷積神經(jīng)網(wǎng)絡(luò)進行圖像分類的過程。

圖10 圖片分類

上述神經(jīng)網(wǎng)絡(luò)的尾部展開，也就說CNN前面保持不變，對CNN的結(jié)尾處作出改進：加了兩個頭：“分類頭”和“回歸頭”，這樣就能實現(xiàn)一個主干網(wǎng)絡(luò)進行多目標學習，即classification + regression模式。

圖11 目標分類 + 位置檢測

3 數(shù)據(jù)準備與模型訓練

本論文采用PASCAL VOC 數(shù)據(jù)集，共使用20類目標分類，包含person、car、bicycle、bus等關(guān)鍵目標，樣例數(shù)據(jù)如圖12所示。

圖12 voc數(shù)據(jù)樣例

標簽文件采用xml格式的標注文件，數(shù)據(jù)標注樣例如圖13所示。

圖13 voc數(shù)據(jù)標注樣例

本文主要采用YoloV3算法，YOLOv3算法的主體結(jié)構(gòu)是一個龐大的卷積神經(jīng)網(wǎng)絡(luò)[5]，YOLOv3原理圖如圖14所示。YOLOv3網(wǎng)絡(luò)的輸入層接收416×416的輸入圖像，網(wǎng)絡(luò)中有代碼體現(xiàn)出來的網(wǎng)絡(luò)層次共計252層（統(tǒng)計包括用于構(gòu)建res_block塊的add層）。從第0層到75層被統(tǒng)稱為darknet-53的部分共含有53層卷積層以及23層殘差層。這一部分網(wǎng)絡(luò)結(jié)構(gòu)不是對darknet-19的簡單加深，而是引入了殘差網(wǎng)絡(luò)的跳層連接思想[6],從76到105層是YOLOv3的特征交互和輸出層，這一部分舍棄了全連接層轉(zhuǎn)而通過連續(xù)的1×1和3×3卷積核實現(xiàn)局部特征交互，作用類似于全連接層，但全連接層實現(xiàn)的是全部像素的全局特征交互。

圖14 YOLOv3原理圖

神經(jīng)網(wǎng)絡(luò)訓練部分程序如圖15所示。

圖15 模型訓練部分程序

神經(jīng)網(wǎng)絡(luò)訓練完成后，在測試集上對算法的性能進行測試，并最終對網(wǎng)絡(luò)實時視頻檢測性能進行測試。采取的思路是先捕獲實時視頻流，從中依次截取出每一幀圖像，再調(diào)用訓練好的YOLOv3網(wǎng)絡(luò)的單張圖像檢測的函數(shù)對每幀圖像檢測目標。單張圖像檢測部分程序如圖16所示。

圖16 圖片檢測驗證代碼截圖

4 應(yīng)用領(lǐng)域及展望

隨著圖像分類精度在某些領(lǐng)域達到了超越人類的水平，其應(yīng)用價值也得到了廣泛的認可從而應(yīng)用在諸多領(lǐng)域。無人駕駛汽車在行駛過程中需要對周圍的物體進行精確的識別，從而區(qū)分哪些是障礙物、哪些是行人，同時需要對行車指示牌等進行精確的劃分，從而為駕駛決策提供支持?？梢灶A(yù)見，高精度的圖像分類技術(shù)將廣泛應(yīng)用在無人駕駛領(lǐng)域中?？傊ㄟ^將深度學習算法運用于無人駕駛中的目標檢測算法，將會大大提升目標檢測精度及進一步加速無人駕駛技術(shù)的成熟。并結(jié)合其他傳感技術(shù)，增強無人駕駛汽車的感知能力，這也就大大增加了無人駕駛汽車的安全性能，只有這樣才能夠推動無人駕駛技術(shù)的盡快落地運行。

本文通過對目標檢測算法的闡述，并運用傳統(tǒng)機器學習算法和深度學習方法進行訓練和驗證，對目標檢測算法進行了原理和實際驗證。在訓練過程中，存在著數(shù)據(jù)歸一化、過擬合等問題，后續(xù)將對參數(shù)初始化、正則化等有助于提高訓練速度、防止過擬合的問題展開研究，從而實現(xiàn)更好的對圖像數(shù)據(jù)進行分類。