張 震，李孟洲，李浩方，馬軍強

（鄭州大學電氣工程學院，鄭州450001）

0 概述

近年來，隨著互聯(lián)網(wǎng)大數(shù)據(jù)的快速發(fā)展、計算機運算能力的提升以及國內(nèi)外在深度學習研究上的突破，目標檢測技術(shù)日趨成熟。目前，將目標檢測與實際應用場景結(jié)合是一個熱門方向［1］，但較少用于地鐵安檢方面，地鐵安檢仍采用人為識別的方法。由于安檢工作人員的熟練程度以及精神狀態(tài)都可能會影響安檢的準確率［2］，因此將目標檢測用于地鐵安檢具有重要的研究意義。

GIRSHICK 等于2014年提出了R-CNN（Regions with CNN Features）［3］算法，促使深度學習在目標檢測領(lǐng)域快速發(fā)展。此后，SPP-Net（Spatial Pyramid Pooling Networks）、YOLO［4-5］、YOLO2、Fast RCNN［6］、Faster RCNN［7］、SSD［8］、DSSD［9］等算法的出現(xiàn)也進一步促進了目標檢測的發(fā)展。目前主流的目標檢測算法大致分為兩類：一類是基于R-CNN 進行展開，以Faster RCNN 為代表的兩階段算法；另一類是以YOLO 和SSD 為代表的一階段算法。兩階段算法先進行區(qū)域選取，再對所選區(qū)域進行分類，一階段算法則是對產(chǎn)生的區(qū)域同時進行這兩項操作。兩階段算法的檢測精度略高于一階段算法，但檢測速度很慢，因此，兩階段算法不適用于地鐵安檢這類對實時性要求較高的應用場景。在一階段算法中，SSD 算法已被廣泛應用于目標檢測并取得了不錯的效果，如文獻［10］將SSD 應用于艦船目標檢測，文獻［11］將SSD 應用于柑橘實時分類檢測，文獻［12］將SSD 應用于果園行人實時檢測。

本文提出一種改進的SSD 算法，通過輕量級網(wǎng)絡融合對傳統(tǒng)SSD 算法中的金字塔特征層進行特征增強，同時加入一種基于殘差模塊的檢測單元以避免增加網(wǎng)絡模型容量，從而在提高檢測精確度的同時保證識別速度。

1 SSD 目標檢測

SSD 目標檢測算法在YOLO 的基礎(chǔ)上融合了RPN 的思想。該算法在多個不同尺度上對輸入圖片進行檢測，且在各特征層上都使用不同的卷積模型，從而使模型具有更高的識別準確率。此外，作為一階段算法，其檢測速度比兩階段算法快得多。

雖然SSD 能夠改善傳統(tǒng)算法對物體尺度敏感、對尺度變化大的物體泛化能力差的缺點，但仍存在對小目標檢測精度低的問題［13-15］。對此，多種改進的SSD 算法相繼被提出［16-18］，如DSSD、DSOD 等。DSSD 將SSD 的基礎(chǔ)網(wǎng)絡由VGG-16 改為ResNet，并且引入反卷積層用于傳遞信息，盡管提高了識別小目標的準確率，但是網(wǎng)絡結(jié)構(gòu)復雜，使識別速度變慢，實時性變差。DSOD 先將基礎(chǔ)網(wǎng)絡換為DenseNet，再融合兩層特征圖，不僅加快了訓練速度，而且提高了檢測性能。

1.1 傳統(tǒng)SSD 的網(wǎng)絡結(jié)構(gòu)

傳統(tǒng)SSD 檢測模型結(jié)構(gòu)分為兩部分：第一部分是利用卷積神經(jīng)網(wǎng)絡來提取輸入圖像特征信息的分類網(wǎng)絡VGG-16；第二部分是后端的多尺度檢測網(wǎng)絡。由于淺層的特征圖適用于小目標檢測，而深層的特征圖適用于大目標檢測，因此多尺度檢測網(wǎng)絡需要在不同深度的特征圖上進行回歸計算和極大值抑制，并輸出最終結(jié)果。傳統(tǒng)SSD 網(wǎng)絡結(jié)構(gòu)如圖1所示。

圖1 傳統(tǒng)SSD 網(wǎng)絡結(jié)構(gòu)Fig.1 Structure of traditional SSD network

1.2 傳統(tǒng)SSD 特征圖默認邊框尺度

SSD 算法通過利用多尺度的方法來獲取特征圖。假設檢測時采用的特征圖層數(shù)為n，那么第k個默認框比例sk可表示為：

其中：smin表示特征層的默認框占輸入圖像的最小比例，一般取為0.2；smax表示特征層的默認框占輸入圖像的最大比例，一般取為0.95。為加強默認框適應檢測物體大小的能力，SSD 算法對相同特征層設置了不同寬高比的默認框。本文選擇默認框的寬高比尺寸為r={1,2,3,1/2,1/3}，其中，默認框的寬度和高度分別為：

其中，m表示5種默認框的寬高比尺寸，m∈{1,2,3,4,5}。當默認寬高比等于1 時，增加1 個默認框比例s′k：

因此，SSD 在每個特征圖共產(chǎn)生6 個默認框，第6 個默認框的寬度和高度表示為：

其中：(cx,cy)代表特征層上默認框的中心坐標；wb和hb分別代表默認框的寬度和高度；wfeature和hfeature分別代表特征層的寬度和高度；wimage和himage分別代表原始圖像的寬度和高度。求得的(xmin,ymin,xmax,ymax)代表第k層特征圖上中心坐標為、寬度和高度分別為wk和hk的默認框映射到原始圖像的具體坐標。

1.3 傳統(tǒng)SSD 的損失函數(shù)

SSD 算法的損失函數(shù)可表示：

其中：x為當前預測框的類別匹配信息；c代表標注類別；l代表預測邊界框坐標；g代表標注邊界框坐標；N代表匹配到的default box 的數(shù)量；Lconf(x,c)代表分類損失；Lloc(x,l,g)代表位置損失；α代表兩者的權(quán)重，本文將其設置為1。

Lloc(x,l,g)借鑒Faster RCNN 的位置回歸函數(shù)smoothL1，可表示為：

其中：xij,p={1,0}代表當前第i個預測框匹配類別p的第j個目標框真值；Pos代表樣本中正例；Box代表預測框中心的坐標及其寬和高的集合；li,m代表先驗框的預測值；g?j,m代表真實框的位置參數(shù)。SL1可表示為：

Lconf(x,c)用交叉熵損失函數(shù)可表示為：

1.4 傳統(tǒng)SSD 目標檢測存在的不足

傳統(tǒng)SSD 算法低層次的定位效果好但是分類精度低，又由于6 個不同特征圖相互獨立，因此其對小目標的檢測效果一般。造成以上情況的主要原因是：

1）特征圖維度會隨著CNN 層數(shù)的增加而變小，進而得到語義特征更加明顯的結(jié)果，同時位置信息也變得更加模糊。如果采用的是SSD_300×300 的模型，則主要依賴Conv4_3 檢測小目標，雖然其分辨率較高，而且先驗框的尺寸和檢測目標更接近，但是特征表達的能力卻僅來源于前10 層卷積層，顯然不能很好地捕捉深層次語義信息。

2）隨著卷積層數(shù)的增加，輸入圖像的感受野和映射區(qū)域也會擴大，卷積感受野過大時會降低精確定位目標的性能，并且當映射區(qū)域過大時，如果出現(xiàn)在檢測區(qū)域包括多個檢測目標的情況，則無法有效地區(qū)分目標。

針對以上問題，本文提出融合輕量級網(wǎng)絡來改進傳統(tǒng)SSD 算法，通過加入基于殘差模塊的檢測單元來避免增加網(wǎng)絡模型容量以及運算復雜度，同時提高檢測精確度。

2 改進的SSD 算法

本文改進的SSD 算法整體網(wǎng)絡結(jié)構(gòu)框圖如圖2所示，首先對Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2（簡記為ConvY_Y）這5 個特征層進行卷積操作（由于Pool11 的特征層尺寸很小，包含語義信息較多，因此無需對其進行卷積操作）。為避免特征融合后再進行特征降維操作，要求進行卷積操作后生成的Conv4_3_0、Conv7_0、Conv8_2_0、Conv9_2_0、Conv10_2_0（簡記為ConvY_Y_0）的特征維數(shù)不超過原始的特征維數(shù)［19］。然后將Conv4_3和Conv4_3_0、Conv7 和Conv7_0、Conv8_2 和Conv8_2_0、Conv9_2和Conv9_2_0 以及Conv10_2 和Conv10_2_0 這5 對兩兩融合，依次得到Conv4_3_1、Conv7_1、Conv8_2_1、Conv9_2_1 和Conv10_2_1，并與Pool11 形成最終的金字塔特征層［19］。

圖2 整體網(wǎng)絡結(jié)構(gòu)框圖Fig.2 Block diagram of overall network structure

ConvY_Y_0 比ConvY_Y 具有更強的語義信息和更大的卷積特征尺度。同時，由于本文提出的卷積沒有改變補邊的特征尺寸，因此能更好地保留原特征圖的邊緣信息。所以，本文最終形成的金字塔特征層與傳統(tǒng)SSD 算法的金字塔特征層相比，增強了特征層的語義信息，改善了SSD 算法對小物體識別率低的問題。由于生成的特征層相比于最初的特征層特征維數(shù)沒有升高，特征圖的邊緣特征沒有損失，因此在特征融合時高層特征不僅無需調(diào)整尺寸，而且不用進行降維操作，相比于傳統(tǒng)的特征融合操作，本文采用的特征融合方法更具優(yōu)勢。上述改進雖然提高了檢測精度，但是難免會使檢測網(wǎng)絡復雜化，從而降低識別速率。針對以上情況，本文新加入基于殘差模塊的檢測單元，從而實現(xiàn)特征圖維度與主分支維度的統(tǒng)一，避免網(wǎng)絡模型容量和運算復雜度增加。

2.1 特征融合策略

特征對應元素相加與特征連接是特征融合策略中最流行的2 種融合方式［16，20］。基于特征連接的特征融合方式，本文設計一種輕量級特征融合方式來對金字塔特征層進行特征增強。

在進行特征融合時，要求ConvY_Y_0與ConvY_Y尺寸相同且ConvY_Y_0的維數(shù)不高于ConvY_Y，因此，在進行特征融合的操作時不必調(diào)整特征圖的尺寸，也不用對融合后的特征進行降維，從而大幅簡化了操作。

在進行特征融合時，設x為輸入特征，f(x)表示對x進行卷積操作，y表示x卷積后的特征，則y=f(x)。如果(x,y)表示特征x和特征y進行首尾相連的操作，那么相應的特征連接操作可表示為Fconcat=(x,y)，表示特征x和特征y進行首尾相連操作后得到的特征。

特征連接的特征融合方式如圖3所示，將ConvY_Y_0 的特征維數(shù)統(tǒng)一設置為128 維，低于ConvY_Y 特征層的特征維數(shù)，然后直接將ConvY_Y與ConvY_Y_0 串聯(lián)得到ConvY_Y_1，將這種特征融合稱為輕量級網(wǎng)絡融合。

圖3 特征連接的特征融合方式Fig.3 Feature fusion mode of feature connection

2.2 基于殘差模塊的檢測單元

本文通過加入一種基于殘差模塊的檢測單元來避免增加網(wǎng)絡模型的容量以及運算復雜度，并防止直接用主干網(wǎng)絡來預測目標［21］。殘差模塊分為短接分支和主分支2 個部分，其結(jié)構(gòu)如圖4所示。主分支共包含3 個卷積層，即2 個1×1 的卷積層和1 個3×3的卷積層；短接分支主要作用是用1 個1×1 的卷積層使特征圖與主分支的維度達到統(tǒng)一［21］。在網(wǎng)絡訓練過程中，每個卷積層后都添加了1 個非線性激活層，此做法不僅可以降低預測單元所產(chǎn)生的梯度值對主干網(wǎng)絡形成的影響，而且還可以起到緩沖的作用。同時，由于殘差模塊的加入，預測層的網(wǎng)絡深度加深，能有效改善淺層特征圖語義表征能力較弱的問題［21］。本文新加入殘差模塊的作用雖然與插入3×3卷積模塊基本相同，但是殘差模塊中的1×1 卷積層可以將特征圖調(diào)整到比較低的維度［21］。因此，本文新插入的殘差模塊要比直接插入1 個3×3 卷積模塊占用的模型參數(shù)低得多。

圖4 ResBlock 結(jié)構(gòu)Fig.4 Structure of ResBlock

本文采用類似Faster RCNN 的anchor 機制，F(xiàn)aster RCNN 采用的是3×3 的卷積核，因為模型參數(shù)與運算量會隨著卷積核的減小而降低，所以本文嘗試采用1×1 的卷積核，經(jīng)過實驗發(fā)現(xiàn)1×1 的卷積核不僅沒有明顯降低檢測精度，反而能夠提高網(wǎng)絡的運算速率。此外，由于加入的殘差模塊可以起到統(tǒng)一維度的效果，因此即使是不同預測單元上的分類器也能夠在訓練過程中達到參數(shù)共享。相比于傳統(tǒng)SSD 直接在網(wǎng)絡卷積層上面提取目標，然后再針對不同的檢測單元訓練出其對應的分類器而言，本文所采取的操作要更為簡單實用。綜上，本文新加入的殘差模塊能夠大幅降低網(wǎng)絡模型大小，從而提高網(wǎng)絡的運算速率。

2.3 網(wǎng)絡模型的訓練策略

在網(wǎng)絡模型訓練的過程中，需要對訓練數(shù)據(jù)集進行翻轉(zhuǎn)、旋轉(zhuǎn)以及亮度與尺度變化，從而提高網(wǎng)絡模型的穩(wěn)健性。由于本文算法形成了新的金字塔特征層，與傳統(tǒng)SSD 相差較多，因此不能直接在已經(jīng)訓練好的SSD 模型上修改。本文以VGG-16 網(wǎng)絡作為改進SSD 算法的基礎(chǔ)框架，訓練位置損失函數(shù)采用smooth L1，訓練分類損失函數(shù)采用Log loss。此外，本文算法的學習率、提取各個特征層所對應的Box長寬比以及挖掘決策困難樣本均和傳統(tǒng)SSD 算法相同，IOU 值設置為0.5。

本文使用的GPU 型號為GTX1080 Ti，基于Ubuntu16.04 操作系統(tǒng)，在TensorFlow 平臺上完成對改進SSD 算法的訓練以及測試的工作。由于設備的限制，本文提出的算法采取單GPU 訓練。

3 實驗與結(jié)果分析

本文算法主要解決了傳統(tǒng)SSD 算法對小目標識別率低的問題，并新加入基于殘差模塊的檢測單元避免增加網(wǎng)絡模型容量以及運算復雜度。實驗通過對mAP、FPS 的測試來驗證本文算法對傳統(tǒng)SSD 的改進程度。此外，將本文訓練好的算法用于地鐵安檢圖像的檢測，以驗證其應用性能。

3.1 實驗步驟

首先將在ImageNet 訓練好的VGG-16 網(wǎng)絡作為本文算法的基礎(chǔ)框架，然后在PASCAL-VOC2007 的訓練集與驗證集上來訓練本文算法，并以mAP 和FPS 作為性能指標在其測試集上檢測本文算法對小目標檢測的能力，最后與性能優(yōu)異的改進SSD 算法、YOLOv3 算法和Faster RCNN 算法進行比較。

3.2 評價指標

本文使用的評價指標為平均準確率均值（mAP）與檢測速率（FPS）。其中，平均準確率均值是所有類別平均準確率（AP）的平均值，檢測速率為每秒處理圖像的幀數(shù)。

平均準確率定義為：

其中，R代表召回率，P代表準確率。

3.3 PASCAL-VOC2007 的測試結(jié)果

PASCAL-VOC2007 是1 個標準的小目標數(shù)據(jù)集，其具體的物體類別見表1。該數(shù)據(jù)集提供的圖片集共分為20 種類別。

表1 PASCAL-VOC2007 具體的物體類別Table 1 PASCAL-VOC2007 specific object categories

為對比本文算法與傳統(tǒng)SSD、DSSD、DSOD、YOLOv3 和Faster RCNN 的檢測性能，從PASCALVOC2007 數(shù)據(jù)集中挑選189 具有代表性的圖片，共涉及11 種物體類別，分別為飛機、船、小轎車、鳥、貓、狗、馬、羊、瓶子、盆栽植物和人。對這些圖片進行相應的處理后，標注物體的ground truth 共有1 601 個。分別采用傳統(tǒng)SSD 算法、DSSD 算法、DSOD 算法、YOLOv3 算法、Faster RCNN 算法和本文算法進行目標檢測實驗，mAP 指標測試結(jié)果如表2所示，F(xiàn)PS 指標測試結(jié)果如表3所示。其中，本文算法與傳統(tǒng)SSD算法是在單個1080 Ti GPU 測試的，而其他算法則是在單個Titan X GPU 上測試的。

表2 不同算法在PASCAL-VOC2007 數(shù)據(jù)集上的mAP 指標Table 2 mAP indicators of different algorithms on PASCAL-VOC2007 data set

表3 不同算法在PASCAL-VOC2007數(shù)據(jù)集上的FPS指標Table 3 FPS indicators of different algorithms on PASCAL-VOC2007 data set

從表2 可以看出，本文算法的mAP 指標相比于傳統(tǒng)SSD 算法提高了8.5%，并且檢測物體越小，檢測精度提升得越高，比DSOD 算法的mAP提高1%，比YOLOv3 算法提高2%，比Faster RCNN算法提高3.9%。本文算法比DSSD 算法的mAP低0.8%的原因是DSSD 的基礎(chǔ)網(wǎng)絡是ResNet-101，該網(wǎng)絡比VGG-16 網(wǎng)絡深、性能好，但是結(jié)構(gòu)也更為復雜，大幅降低了檢測速率，不適用于對檢測速度要求較高的檢測場景，從表3 中也驗證了這一結(jié)論。

由于本文算法在進行特征融合時既不需要進行降維操作也不需要調(diào)整圖片尺寸，同時加入了一種基于殘差模塊的檢測單元，可避免增加網(wǎng)絡模型容量以及運算復雜度，因此本文算法的FPS 相比于傳統(tǒng)SSD 的85 frame/s 僅損耗了2 frame/s，可達到83 frame/s，遠高于DSSD、DSOD 和Faster RCNN 算法，同時也高于YOLOv3 的51 frame/s。

3.4 地鐵安檢圖像的檢測結(jié)果

地鐵安檢圖像中的一些小物體（如指甲刀、打火機等）往往只占據(jù)檢測圖片中的很小一部分，同時有可能會被別的物體覆蓋，增加了檢測的難度。本文收集了約550 張的地鐵安檢圖像，其中，包含的檢測目標數(shù)量基本均衡，對所有圖像采用多目標標記，然后隨機選取總數(shù)的30%作為測試集，其余的分為訓練集和驗證集。分別用傳統(tǒng)的SSD 算法和本文算法進行目標檢測實驗，圖5 為部分的檢測結(jié)果，從中可以看出本文算法對檢測結(jié)果的改進。表4 為測試各類目標的mAP 指標。

表4 傳統(tǒng)SSD 算法與本文算法的mAP 指標對比Table 4 Comparison of mAP indicators of traditional SSD algorithm and the proposed algorithm

圖5 傳統(tǒng)SSD 算法與本文算法的檢測結(jié)果對比Fig.5 Comparison of detection results of the proposed algorithm and traditional SSD algorithm

4 結(jié)束語

從圖5 的檢測結(jié)果圖和表4 中的檢測結(jié)果可以看出，本文算法較傳統(tǒng)SSD 算法檢測更準確，在對小目標（如scissors）上檢測精度提升更為明顯，mAP 提升了12.3%。

本文對SSD 算法中各尺度特征進行尺寸大小不變的卷積操作，將卷積前后對應的特征進行輕量級網(wǎng)絡融合，進而生成新的金字塔特征層，最后通過加入基于殘差模塊的檢測單元，提升檢測精確度。實驗結(jié)果表明，在用于地鐵安檢圖像檢測時，該算法對于小目標的檢測精度較傳統(tǒng)SSD 算法提升明顯，并且能夠保證檢測速率，檢測速率達到83 frame/s。后續(xù)將對本文算法的網(wǎng)絡結(jié)構(gòu)進行優(yōu)化，進一步加快檢測速度，并且嘗試將算法應用于其他特定場景中。