譚 銳，曾曉莉

（西藏大學(xué)信息科學(xué)技術(shù)學(xué)院，拉薩 850011）

0 引言

服裝銷售在電子商務(wù)銷售中占有很大比重，各種材質(zhì)、風(fēng)格、價(jià)位的服裝在各大電商平臺(tái)每天以指數(shù)級(jí)的量在增加，對(duì)終端用戶來說，怎樣在琳瑯滿目的商品中快速選擇到合心意的服裝，需要依賴關(guān)鍵字搜索或者平臺(tái)的推薦系統(tǒng)，而這兩種操作都需要首先完成對(duì)服裝的標(biāo)簽分類。人工標(biāo)簽的工作量繁重而且標(biāo)記不準(zhǔn)確。

在研究當(dāng)前電商的分類系統(tǒng)的基礎(chǔ)上，本文提出開發(fā)一個(gè)快速藏民族識(shí)別模型，對(duì)西藏社會(huì)的維穩(wěn)安全具有重要意義。中國(guó)是一個(gè)多民族國(guó)家，各民族各具特色，在服裝、飾品、裝扮上更是特色分明。怎樣自動(dòng)通過服裝識(shí)別民族，對(duì)我們來說具有重要意義。藏族主要聚集生活在西藏自治區(qū)，對(duì)于這個(gè)中國(guó)邊疆地區(qū)，結(jié)合行為檢測(cè)等技術(shù)快速識(shí)別藏族服裝，從而識(shí)別藏族人民，對(duì)推進(jìn)西藏邊疆地區(qū)的長(zhǎng)治久安更是意義重大。

近幾年來，深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域的應(yīng)用越來越廣，越來越深入，基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)的效率遠(yuǎn)遠(yuǎn)高于傳統(tǒng)圖像檢測(cè)識(shí)別效率。

傳統(tǒng)的圖像檢測(cè)方法，首先需要人工進(jìn)行大量邏輯特征處理和特征設(shè)定，然后根據(jù)人工設(shè)定好的邏輯以及模板進(jìn)行對(duì)應(yīng)的數(shù)據(jù)匹配，這種圖像檢測(cè)方式雖然能起到一定的效果，但是由于特征和邏輯均為人為設(shè)定，導(dǎo)致最終的檢測(cè)和分類效果受到了極大的限制，檢測(cè)的結(jié)果無法跳出人為設(shè)定的框架以及本身的準(zhǔn)確率一直不高［1］。這也是神經(jīng)網(wǎng)絡(luò)興起之前圖像識(shí)別領(lǐng)域遠(yuǎn)遠(yuǎn)沒有現(xiàn)在這般關(guān)注度的主要原因，但神經(jīng)網(wǎng)絡(luò)算法的出現(xiàn)，使得圖像識(shí)別在短短幾年內(nèi)興起。神經(jīng)網(wǎng)絡(luò)本身在進(jìn)行圖像識(shí)別的時(shí)候，相對(duì)于傳統(tǒng)圖像識(shí)別就省去了繁重而又復(fù)雜的邏輯設(shè)定和特征標(biāo)注，僅僅只需要將圖片歸類，然后將該類別的特征提取出來傳輸給神經(jīng)網(wǎng)絡(luò)，讓其自行學(xué)習(xí)，并在學(xué)習(xí)的過程中不斷調(diào)整每一層神經(jīng)網(wǎng)絡(luò)的權(quán)值，使模型在識(shí)別和檢測(cè)方面的準(zhǔn)確率越來越高，這個(gè)權(quán)重調(diào)整的過程即為模型訓(xùn)練的過程，模型最終調(diào)整完成的結(jié)果的好壞決定了最終識(shí)別和檢測(cè)的準(zhǔn)確率的高低［2］。

服裝檢測(cè)本身屬于目標(biāo)識(shí)別的一種。為了在神經(jīng)網(wǎng)絡(luò)算法中實(shí)現(xiàn)檢測(cè)和識(shí)別的目的，早期的神經(jīng)網(wǎng)絡(luò)主要以faster R-CNN、FPN、MSCNN、OHEM等為主，這些網(wǎng)絡(luò)均為two-stage目標(biāo)檢測(cè)算法，在目標(biāo)檢測(cè)和識(shí)別的時(shí)候分為兩步，第一步先生成Region Proposal，在生成了Region Proposal之后，進(jìn)行第二步，也就是送入分類器進(jìn)行最終的識(shí)別和分類，而這兩步通常由不同的神經(jīng)網(wǎng)絡(luò)算法來完成。兩步識(shí)別的方式使得在檢測(cè)和識(shí)別目標(biāo)時(shí)準(zhǔn)確率相對(duì)較高，但兩步識(shí)別通常也伴隨著另一個(gè)問題，那就是識(shí)別速度的大幅度下降，即便R-CNN后續(xù)推出了fast R-CNN以及faster R-CNN，都只能在一定程度上緩解該問題，其檢測(cè)速度仍然不夠理想。

由上可以得到一個(gè)結(jié)論，即two-stage目標(biāo)檢測(cè)算法因?yàn)樵谒俣确矫娌徽純?yōu)勢(shì)，所以其在即時(shí)識(shí)別這樣需要速度的場(chǎng)景中并不適用。為了解決在該場(chǎng)合下的目標(biāo)檢測(cè)識(shí)別問題，業(yè)界提出并完成了另一類目標(biāo)檢測(cè)識(shí)別算法：one-stage，該算法直接省去生成Region Proposal的這一步驟，直接產(chǎn)生物體的類別概率和位置坐標(biāo)值，經(jīng)過單次檢測(cè)即可直接得到最終的檢測(cè)結(jié)果，因此該算法比two-stage快得多，能夠達(dá)到即時(shí)目標(biāo)檢測(cè)的效果［3］，YOLO作為one-stage中的代表算法，在經(jīng)過了不斷的改進(jìn)之后，形成了YOLOv3，已成為即時(shí)目標(biāo)檢測(cè)方面的首選算法［4］。

1 實(shí)驗(yàn)對(duì)象及方法

1.1 YOLOv3算法

YOLOv3算法是Redmon等［5］完成的最后一版基于Darknet53網(wǎng)絡(luò)的算法（后續(xù)的YOLOv4和YOLOv5由Alexey編寫），作為一個(gè)one_stage目標(biāo)檢測(cè)算法，YOLOv3與RetinaNet和SSD檢測(cè)效果相當(dāng)，但速度卻比后兩者快了好幾倍。相比于其上一代YOLOv2，作者對(duì)Darknet進(jìn)行了改進(jìn)，將網(wǎng)絡(luò)深度擴(kuò)展到了53層，并在imagenet上進(jìn)行了預(yù)訓(xùn)練，因此該主干網(wǎng)絡(luò)也叫做Darknet-53。

Darknet53的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，每個(gè)殘差塊由一個(gè)殘差層、一個(gè)1×1的卷積核和一個(gè)3×3的卷積核構(gòu)成，在3×3卷積核進(jìn)行還原操作之前，先用1×1卷積核進(jìn)行通道收縮，通過矩陣分解的思路來減少參數(shù)量。

此外，Redmon等［5］還借鑒了DSSD的做法，加入了跳躍連接和上采樣，實(shí)現(xiàn)了高層特征和底層特征融合。和DSSD一樣，使用多尺度的特征圖來預(yù)測(cè)結(jié)果。這帶來兩個(gè)變化：①新的網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)更多的anchor框；②由于使用了更底層的特征，YOLOv3對(duì)小物體的效果更好。在使用416×416輸出的情況下，YOLOv2預(yù)測(cè)輸出845（13×13×5）個(gè)anchor框。同樣的圖片輸入情況下，每個(gè)cell預(yù)測(cè)3個(gè)anchor框，共有10647（13×13×3+26×26×3+52×52×3）個(gè)，是原來的12.6倍。

在多尺度預(yù)測(cè)方面，YOLOv3采用多個(gè)scale融合的方式，相比于YOLOv2，YOLOv3設(shè)定的是每個(gè)網(wǎng)格單元預(yù)測(cè)3個(gè)box，所以每個(gè)box需要 有（x，y，w，h，confidence）五 個(gè) 基 本 參 數(shù)。YOLOv3輸出了3個(gè)不同尺度的feature map，y1，y2和y3的 深 度 都 是255，邊 長(zhǎng) 的 規(guī) 律 是13∶26∶52［5］。

YOLOv3用上采樣的方法來實(shí)現(xiàn)這種多尺度的特征圖。共進(jìn)行三次預(yù)測(cè)，第一次預(yù)測(cè)比較簡(jiǎn)單，在Darknet-53得到的特征圖上，再通過六個(gè)DBL結(jié)構(gòu)以及一個(gè)卷積層的加工，就可以得到一個(gè)新的特征圖譜，在這個(gè)特征圖譜上進(jìn)行預(yù)測(cè)就可以得到第一次預(yù)測(cè)結(jié)果。上采樣部分主要是在第二次和第三次預(yù)測(cè)，總的來說都是先從卷積層輸出結(jié)果，經(jīng)過一個(gè)DBL處理之后，再進(jìn)行一次（2，2）上采樣，然后將上采樣特征與一個(gè)Res8結(jié)構(gòu)輸出的特征進(jìn)行張量鏈接，之后再通過六個(gè)DBL處理以及一個(gè)卷積層，在這個(gè)結(jié)果之上進(jìn)行預(yù)測(cè)，得到第二、第三次預(yù)測(cè)結(jié)果。

1.2 YOLOv3改進(jìn)

為了使YOLOv3對(duì)中小目標(biāo)的識(shí)別準(zhǔn)確率進(jìn)一步提升，在原有的三個(gè)YOLO層上額外新增一個(gè)YOLO層，即把104×104那一層加入輸出，這個(gè)多出來的YOLO層能夠更加有效地提取藏族服飾的中小目標(biāo)，例如發(fā)飾等的特征。將52×52層的輸出結(jié)果進(jìn)行一次上采樣連接到104×104層完成多尺度特征融合，但因?yàn)槎嗔艘粋€(gè)輸出，所以需要根據(jù)數(shù)據(jù)集重新計(jì)算anchors。改進(jìn)后的YOLOv3預(yù)測(cè)框數(shù)量為43095（13×13×3+26×26×3+52×52×3+104×104×3），是改進(jìn)前的4倍。具體改進(jìn)結(jié)構(gòu)如圖2所示。

1.3 數(shù)據(jù)集構(gòu)成與預(yù)處理

由于本文數(shù)據(jù)集的特殊性，在互聯(lián)網(wǎng)上難以找到現(xiàn)有的數(shù)據(jù)集，因此采用網(wǎng)上以及外出兩種方式搜集圖片。同時(shí)使用藏族服飾數(shù)據(jù)以及非藏族服飾數(shù)據(jù)，非藏族服飾數(shù)據(jù)集來自github上的開源數(shù)據(jù)集（https://github.com/bearpaw/clothing-co-parsing），一共1977張圖像，兩種類別各占一半的數(shù)量，每一張圖像都提供了完整的藏族服飾信息。由于藏族服飾構(gòu)成的數(shù)據(jù)集是通過技術(shù)手段進(jìn)行收集，所以需要進(jìn)行人工二次篩選，將未包含完整服飾特征，以及特征細(xì)節(jié)過于模糊的圖片剔除。

1.4 藏族服飾特征分析以及數(shù)據(jù)集標(biāo)注

本文使用Labelimg標(biāo)注工具對(duì)數(shù)據(jù)集進(jìn)行了標(biāo)注（在標(biāo)注時(shí)切換模式至YOLO就可以直接得到txt格式的標(biāo)簽文件），在開始標(biāo)注前將Labelimg的默認(rèn)標(biāo)簽文件修改為自己的標(biāo)簽類別，以防止標(biāo)簽序號(hào)的錯(cuò)誤。

標(biāo)注工作前的軟件準(zhǔn)備已經(jīng)完成，接下來再開始標(biāo)注前的最后一步，也是最重要的一步，那就是分析藏族服飾的特征部位，只有標(biāo)注在特征部位上才能夠有效地起到識(shí)別藏族服飾的作用。藏裝的構(gòu)成分衣領(lǐng)、衣襟、后身、腰帶等，衣領(lǐng)有兩種，最常見的是交領(lǐng)，點(diǎn)驚領(lǐng)直接連左右襟，衣襟在胸前相交，領(lǐng)子也就相交；另一種是直領(lǐng)，即在衣服上垂直安領(lǐng)，從頸后繞到頸前［6］。通過這些特征就可以對(duì)拉薩地區(qū)的藏族服飾進(jìn)行初步識(shí)別，但是對(duì)于細(xì)小飾品繁多的其他地區(qū)的藏族服飾則顯得有所欠缺［7］，所以需要通過改進(jìn)算法結(jié)構(gòu)來有針對(duì)性地提升這些細(xì)小目標(biāo)信息的提取能力。

最后將已經(jīng)標(biāo)注好的藏族服飾數(shù)據(jù)集劃分為90%的訓(xùn)練集和10%的測(cè)試集，也就是使用788張圖片來進(jìn)行訓(xùn)練，87張圖片來測(cè)試準(zhǔn)確率。

1.5 YOLOv3模型的訓(xùn)練與模型的選取

首先從該網(wǎng)址（http://pjreddie.com/media/files/darknet53.conv.74）下載Darknet-53的的預(yù)訓(xùn)練模型參數(shù)，預(yù)訓(xùn)練模型能有效提高訓(xùn)練出來的最終模型的識(shí)別成功率，然后對(duì)模型參數(shù)進(jìn)行適當(dāng)?shù)恼{(diào)整，具體如圖3所示。

2 模型對(duì)比

2.1 評(píng)價(jià)指標(biāo)

本文采用mAP這種常用于目標(biāo)檢測(cè)的識(shí)別的參數(shù)作為模型好壞的總評(píng)價(jià)指標(biāo)，在mAP之前 應(yīng) 先 說 明IoU、precision、recall、F1-Score、PR曲線以及AP的意義。

IoU的全稱為交并比，即預(yù)測(cè)邊框與真實(shí)邊框的交集與并集的比值。在目標(biāo)檢測(cè)中，IoU大于設(shè)定的閾值時(shí)即為正樣本，改變閾值會(huì)直接影響檢測(cè)結(jié)果。而這個(gè)機(jī)制又引出了TP、FP、FN、TN這幾個(gè)參數(shù)，TP即為IoU＞閾值的檢測(cè)結(jié)果數(shù)量；FP即為IoU＜閾值的檢測(cè)結(jié)果數(shù)量；FN即為存在目標(biāo)但是未檢測(cè)到目標(biāo)的結(jié)果數(shù)量；TN即為樣本錯(cuò)誤并且未出現(xiàn)檢測(cè)框的結(jié)果的數(shù)量。precision為查準(zhǔn)率，即TP/（TP+FP）；recall為召回率，即TP/（TP+FN）。F1-Score又稱F1分?jǐn)?shù)，是分類問題的一個(gè)衡量指標(biāo)，它是精度和召回率的調(diào)和平均數(shù)。PR曲線是一條分別以Precision和Recall為橫縱坐標(biāo)的曲線，而AP是PR曲線下的面積，mAP則是各類別AP的平均值。

2.2 改進(jìn)前后模型對(duì)比

采用兩個(gè)模型分別對(duì)數(shù)據(jù)集進(jìn)行測(cè)試，得到的結(jié)果見表1。從表1可以看出，改進(jìn)的YOLOv3對(duì)應(yīng)的AP相較于YOLOv3有所提高，F(xiàn)P相較于改進(jìn)之前明顯減少，從這幾項(xiàng)數(shù)據(jù)可以看出，改進(jìn)后的模型在識(shí)別的精確度方面有所提高，尤其大幅度地減少了將錯(cuò)誤目標(biāo)識(shí)別為藏族服飾的概率，因此precision相較于改進(jìn)前上升了0.08。同時(shí)以recall下降換取了AP的提高。

表1 模型測(cè)試結(jié)果

3 結(jié)語

本文在YOLOv3的三層YOLO層輸出的基礎(chǔ)上，再添加了一層YOLO層，對(duì)藏族服飾中的小目標(biāo)有著更好的感受力，使其對(duì)藏族服飾的整體特征提取效果變得更好。

由于本文數(shù)據(jù)集的不足，以及只是對(duì)模型進(jìn)行了初步改進(jìn)，導(dǎo)致模型識(shí)別的指標(biāo)提升不夠明顯，但其指明了在識(shí)別藏族服飾方面所遇到的問題以及應(yīng)該去修改的方向，本文結(jié)果能夠?yàn)檫M(jìn)一步提高藏族服飾識(shí)別準(zhǔn)確率提供一個(gè)初步的參考。