摘" 要：目前，基于深度學(xué)習(xí)的單步目標(biāo)檢測器已被廣泛用于實(shí)時目標(biāo)檢測，但其對目標(biāo)的定位精度較差，并且存在目標(biāo)漏檢、誤檢等問題。文章提出了一種用于復(fù)雜場景中準(zhǔn)確實(shí)時的人物識別算法。首先，使用高斯YOLOv3來估計預(yù)測框的坐標(biāo)和定位不確定性，然后，采用基于注意力機(jī)制的非極大值抑制方法去除冗余的檢測框，提高目標(biāo)檢測結(jié)果的準(zhǔn)確性。經(jīng)自建數(shù)據(jù)集訓(xùn)練并測試，改進(jìn)的高斯YOLOv3對人物的識別精度為83.1%，比YOLOv3提高了1.68%，檢測模型可以應(yīng)用于軍事戰(zhàn)場人物的識別和定位，為戰(zhàn)場態(tài)勢感知系統(tǒng)提供有效的技術(shù)支持。

關(guān)鍵詞：人物識別；高斯模型；注意力機(jī)制；高斯YOLOv3；非極大值抑制

中圖分類號：TP391.4" " 文獻(xiàn)標(biāo)識碼：A" 文章編號：2096-4706（2024）10-0046-05

Research on Accurate and Real-time Character Recognition Algorithms in Complex Scenes

YANG Jin1，2， JING Fei1，2， ZHANG Tongtong1，2， TU Yaxin3

（1.The 29th Research Institute of CETC， Chengdu" 610036， China; 2.Sichuan Province Engineering Research Center for Broadband Microwave Circuit High Density Integration， Chengdu" 610036， China; 3.Measurement Center of State Grid Sichuan Electric Power Company， Chengdu" 610045， China）

Abstract： Currently， single step object detectors based on Deep Learning have been widely used for real-time object detection， but their positioning accuracy for targets is poor， and there are problems such as missed detection and 1 detection of targets. This paper proposes an accurate and real-time character recognition algorithm for complex scenes. Firstly， this paper uses Gaussian YOLOv3 to estimate the coordinates and positioning uncertainty of the prediction box. Then， a Non-Maximum Suppression method based on Attention Mechanism is used to remove redundant detection boxes and improve the accuracy of target detection results. After self-built dataset training and testing， the improved Gaussian YOLOv3 has a character recognition accuracy of 83.1%， which is 1.68% higher than YOLOv3. The detection model can be applied to the recognition and positioning of military battlefield characters， providing effective technical support for battlefield situation awareness systems.

Keywords： character recognition; Gaussian model; Attention Mechanism; Gaussian YOLOv3; Non-Maximum Suppression

0" 引" 言

戰(zhàn)場態(tài)勢感知是對作戰(zhàn)和保障部隊的部署、武器裝備、戰(zhàn)場環(huán)境（地形、氣象、水文等）進(jìn)行實(shí)時感知的過程，在未來的信息戰(zhàn)中，提高戰(zhàn)場態(tài)勢感知能力可以有效地增強(qiáng)戰(zhàn)爭的整體控制能力。目前，軍事目標(biāo)的識別和定位是影響戰(zhàn)場態(tài)勢感知的關(guān)鍵技術(shù)[1]。因此，研究復(fù)雜環(huán)境下軍事目標(biāo)的自動檢測技術(shù)，對戰(zhàn)場態(tài)勢的生成和分析具有重要意義。在戰(zhàn)場偵察領(lǐng)域，視頻和圖像比文本和電報信息更直觀、更實(shí)用，是目前有效的偵察方法之一。因此，基于視頻和圖像的戰(zhàn)場態(tài)勢感知技術(shù)可以為指揮決策者提供相對豐富、生動的戰(zhàn)場全局?jǐn)?shù)據(jù)[2]。

近年來，學(xué)者們逐漸將基于深度學(xué)習(xí)的方法應(yīng)用于戰(zhàn)場態(tài)勢感知，可以有效解決當(dāng)前信息化戰(zhàn)場中復(fù)雜的戰(zhàn)場態(tài)勢生成和分析問題?；谏疃葘W(xué)習(xí)的多層人工神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的特征學(xué)習(xí)能力，大多數(shù)現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測算法可以分類為兩級檢測器和一級檢測器。兩級檢測器由區(qū)域建議階段和分類階段組成。首先，在區(qū)域建議階段，通過許多區(qū)域建議策略產(chǎn)生候選框，然后，通過分類方法將這些候選框分為不同的類別，以實(shí)現(xiàn)目標(biāo)檢測。周華平[3]等在基于Faster R-CNN框架的基礎(chǔ)上提出了一種改進(jìn)其特征網(wǎng)絡(luò)ResNet-101的方法，算法平均檢測精度提高了5.1%。劉寅[4]在R-FCN網(wǎng)絡(luò)的基礎(chǔ)上采用自適應(yīng)非極大值抑制修正預(yù)測框置信度，利用在線難例學(xué)習(xí)方法并優(yōu)化候選框參數(shù)，優(yōu)化后的R-FCN網(wǎng)絡(luò)對教室內(nèi)的人物目標(biāo)識別準(zhǔn)確率為89.52%。兩級檢測器可以實(shí)現(xiàn)相當(dāng)高的檢測精度，但檢測速度較低，難以應(yīng)用于實(shí)時檢測的場景。

相比之下，一級檢測器直接返回對象的分類概率和位置坐標(biāo)，而不需要區(qū)域建議過程。例如，YOLO [5]將圖像分割成小網(wǎng)格，并同時預(yù)測每個區(qū)域的候選框概率和分類概率。與兩級探測器相比，YOLO實(shí)現(xiàn)了速度的顛覆性提高，但目標(biāo)檢測精度較低，其定位誤差源于對網(wǎng)格單元的處理。為了提高一級檢測器的性能，SSD [6]修改了深度學(xué)習(xí)網(wǎng)絡(luò)，增加了多參考和多分辨率策略，以提高檢測精度。RefineDet [7]基于SSD網(wǎng)絡(luò)架構(gòu)，使用ARM模塊和ODM模塊互連，以提高檢測速度和準(zhǔn)確性。與深度網(wǎng)絡(luò)的修改不同，RetinaNet [8]對其他策略進(jìn)行了微調(diào)，并用焦點(diǎn)損失取代了YOLOv3 [9]中的交叉熵?fù)p失，以專注于難以分類的例子，并丟棄負(fù)例。Zheng等人[10]提出了一種CIoU損失函數(shù)，與GIoU [11]損失和IoU [12]損失函數(shù)相比提高了網(wǎng)絡(luò)的檢測精度和收斂速度。高斯YOLOv3 [13]利用高斯函數(shù)來確定預(yù)測框的定位不確定性。此類檢測模型速度較快，但精度相對較低。

由于戰(zhàn)場態(tài)勢的高度動態(tài)性，對軍事目標(biāo)的實(shí)時檢測提出了很高的要求。此外，在戰(zhàn)場環(huán)境中，軍事目標(biāo)經(jīng)常受到照明、目標(biāo)大小、偽裝和遮擋的影響，檢測算法需要能夠適應(yīng)復(fù)雜的戰(zhàn)場環(huán)境。高斯YOLOv3算法具有良好的實(shí)時性和檢測性能，因此本文選擇高斯YOLOv3作為檢測算法的基本結(jié)構(gòu)并對其進(jìn)行了改進(jìn)。為了準(zhǔn)確、實(shí)時地識別復(fù)雜場景中的人物，本文提出了一種用于復(fù)雜場景中準(zhǔn)確實(shí)時的人物識別算法。本文首先采用了改進(jìn)的高斯YOLOv3作為檢測算法的基礎(chǔ)結(jié)構(gòu)，使用高斯函數(shù)來估計預(yù)測框的坐標(biāo)和定位不確定性，有效地提高復(fù)雜場景中人物的檢測精度。本文提出一種基于注意力機(jī)制的非極大值抑制算法，提高了非極大值抑制算法在消除多余候選框的準(zhǔn)確性，從而減少了冗余的候選框?qū)z測結(jié)果的影響，提高人物檢測結(jié)果的準(zhǔn)確性。

1" 高斯YOLOv3模型

1.1" 基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)

圖1給出了改進(jìn)的高斯YOLOv3框架的架構(gòu)（圖中最左列中的數(shù)字1、2、4和8表示重復(fù)的殘差分量數(shù)量），該框架由75個卷積層、23個快捷層、4個路由層、3個YOLO層和2個上采樣層組成。改進(jìn)的高斯YOLOv3生成三個大小分別為76×76、38×38和19×19的特征圖，輸入圖像大小設(shè)置為608×608。在改進(jìn)的高斯YOLOv3網(wǎng)絡(luò)中，“卷積”模塊用于預(yù)測對象的邊界框坐標(biāo)、對象置信度值和三個尺度的錨框的類概率。改進(jìn)的高斯YOLOv3使用“高斯建?！蹦K來估計預(yù)測框的坐標(biāo)，從而可以確定預(yù)測框的定位不確定性。最后，比較了三種尺度的檢測結(jié)果，并使用一些閾值來確定最終結(jié)果。因此，改進(jìn)的高斯YOLOv3可以在保持實(shí)時檢測速度的同時提高檢測精度。

1.2" 高斯模型

YOLOv3輸出預(yù)測框坐標(biāo)、對象得分和類得分，并基于對象和類的置信度對對象進(jìn)行分類。然而，YOLOv3不能確定預(yù)測框的置信度，因此預(yù)測框的坐標(biāo)不確定性是未知的。因此，YOLOv3可能無法準(zhǔn)確地確定目標(biāo)人物的定位。

為了解決這個問題，網(wǎng)絡(luò)引入高斯函數(shù)來估計預(yù)測框坐標(biāo)的不確定性，包括中心信息（即tx和ty）和預(yù)測框大小信息（即tw和th）。高斯模型將預(yù)測框坐標(biāo)的均值和方差函數(shù)作為輸入，因此改進(jìn)的高斯YOLOv3將YOLOv3中預(yù)測框的輸出數(shù)量從4個增加到8個。預(yù)測框的不確定性可以使用tx、ty、tw和th的每個單獨(dú)的高斯模型進(jìn)行建模。對于給定的測試輸入x，使用以下公式計算單個高斯模型的輸出y：

其中，μ（x）和" 分別表示預(yù)測框坐標(biāo)的均值和方差。

此外，高斯YOLOv3調(diào)整了網(wǎng)絡(luò)的損失函數(shù)，因此，可以估計高斯YOLOv3中預(yù)測框的定位不確定性。tx的損失函數(shù)描述如下：

其中W和H分別表示水平和垂直網(wǎng)格的數(shù)量。K表示錨框的數(shù)量， 表示在（i，j）網(wǎng)格中的第k個錨框處的tx， 表示tx的不確定性， 是tx的GT。通過使用與tx相同的策略來計算ty、tw和th的損失函數(shù)。χ為對數(shù)函數(shù)的數(shù)值穩(wěn)定性指定值10-9。γijk表示權(quán)重懲罰系數(shù)，其計算如下：

其中ωscale表示基于圖像中GT框的寬度和高度比計算，計算式為：

其中， 表示當(dāng)GT框和當(dāng)前錨框之間的CIoU損耗大于某個閾值時被設(shè)置為1，并且如果沒有合適的GT則" 等于零。

預(yù)測框坐標(biāo)的定位不確定性以及對象性得分和類得分被認(rèn)為是檢測標(biāo)準(zhǔn)?？紤]定位不確定性的檢測標(biāo)準(zhǔn)如式（5）所示：

其中Cr表示高斯YOLOv3的檢測標(biāo)準(zhǔn)，σ（Object）是對象性得分，σ（Classi）是第i類的得分。Uncertaintyaver指示預(yù)測框坐標(biāo)的平均不確定性。定位不確定性與預(yù)測框的置信度呈負(fù)相關(guān)。

2" 復(fù)雜場景中準(zhǔn)確實(shí)時的人物識別算法

2.1" 數(shù)據(jù)集

總所周知，數(shù)據(jù)在深度學(xué)習(xí)中占有重要地位，高質(zhì)量的數(shù)據(jù)集能夠提高模型訓(xùn)練的質(zhì)量和模型預(yù)測的準(zhǔn)確性。目前已有許多適用于目標(biāo)檢測的數(shù)據(jù)集，如COCO2017、PASCAL VOC [14]、ImageNet等。針對復(fù)雜環(huán)境下軍事人物檢測任務(wù)，本文構(gòu)建了真實(shí)陸地戰(zhàn)場作戰(zhàn)環(huán)境中的軍事人物數(shù)據(jù)集。

數(shù)據(jù)集中包含了叢林、城市、雪地、沙漠等常見的陸地作戰(zhàn)場景，同時目標(biāo)包含來自不同國家的人物，并且考慮了影響目標(biāo)檢測結(jié)果的因素，例如前景遮擋、偽裝、煙霧、照明、目標(biāo)尺寸、成像視角等，部分圖像示例如圖2所示。數(shù)據(jù)集中共包含1 507張圖片，將數(shù)據(jù)集中的圖片6：2：2的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。數(shù)據(jù)集圖片中的人物目標(biāo)采用LabelImg標(biāo)記軟件進(jìn)行標(biāo)記，并與PASCAL VOC數(shù)據(jù)集中的標(biāo)簽格式保持一致。

2.2" 網(wǎng)絡(luò)結(jié)構(gòu)

如上所述，YOLOv3算法在直接應(yīng)用于檢測復(fù)雜場景人物時，可能會產(chǎn)生不準(zhǔn)確的缺陷定位、漏檢、誤檢等問題。因此，本文采用高斯YOLOv3作為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)，通過在YOLOv3網(wǎng)絡(luò)中引入高斯函數(shù)，用于復(fù)雜場景的人物檢測，如圖1所示?；诟咚购瘮?shù)的YOLOv3包括兩個模塊：基礎(chǔ)YOLOv3網(wǎng)絡(luò)和高斯建模模塊。首先，YOLOv3網(wǎng)絡(luò)提取缺陷特征，然后在YOLOv3中引入高斯函數(shù)來預(yù)測預(yù)測框的坐標(biāo)，從而確定坐標(biāo)的定位不確定性。具體來說，將預(yù)測框的定位不確定性與對象性得分和類得分一起作為檢測標(biāo)準(zhǔn)，可以提高檢測精度。此外，該模型用注意力機(jī)制的非極大值抑制算法代替了IoU損失函數(shù)，進(jìn)一步提高了回歸精度和收斂速度。改進(jìn)的高斯YOLOv3使用特征金字塔在三個不同尺度的特征下進(jìn)行對象檢測。因此，改進(jìn)的高斯YOLOv3可以適應(yīng)各種不同大小的對象檢測任務(wù)。

2.3" 基于注意力機(jī)制的非極大值抑制算法

現(xiàn)有的目標(biāo)檢測網(wǎng)絡(luò)使用的非極大值抑制算法需手動設(shè)置閾值，閾值設(shè)置不合理容易出現(xiàn)漏檢、誤檢等情況，并且評價方式不太合理，影響網(wǎng)絡(luò)的檢測精度。基于上述問題，本文提出一種基于注意力機(jī)制的非極大值抑制算法。

基于注意力的置信度，其計算公式為：

候選邊界框集合B = {b1，…，bN}，每個候選邊界框?qū)?yīng)的分類置信度集合S = {s1，…，sN}；其中，si表示集合B中的第i個候選框的置信度值，CIoU是全交并比損失函數(shù)值，br和sr分別表示當(dāng)前候選框及其對應(yīng)的基于注意力的置信度值。

所述的基于注意力機(jī)制的置信度加權(quán)懲罰算法，其計算公式為：

bm表示當(dāng)前集合B中置信度最高的候選框，bi是集合B中的第i個候選框，si是式（6）計算得到的置信度值。

3" 實(shí)驗(yàn)結(jié)果及分析

3.1" 實(shí)驗(yàn)參數(shù)配置

本文涉及的各項(xiàng)訓(xùn)練及測試實(shí)驗(yàn)是在操作系統(tǒng)為Ubuntu18.04的服務(wù)器中進(jìn)行，圖形處理器為TITAN RTX。為客觀分析算法性能，本文首先使用通用數(shù)據(jù)集PASCAL VOC預(yù)訓(xùn)練改進(jìn)的高斯YOLOv3模型，然后使用自建軍事人物數(shù)據(jù)集對其進(jìn)行微調(diào)。為了公平比較，各模型學(xué)習(xí)樣本的大小和學(xué)習(xí)率分別設(shè)置為128和0.000 5。

3.2" 檢測結(jié)果

本文從定性及定量兩個維度全面評估算法的性能，首先定性的評估算法的漏檢、誤檢等情況，然后采用均值平均精度（mAP）定量的評估檢測算法的檢測精度。

本文首先在自建的數(shù)據(jù)集上對改進(jìn)的高斯YOLOv3和一些方法進(jìn)行了全面的定性評估，圖3給出了在自建數(shù)據(jù)集中對來自驗(yàn)證集的一些圖像的一些實(shí)驗(yàn)結(jié)果。從圖中可以發(fā)現(xiàn)，當(dāng)使用高斯YOLOv3時存在漏檢（第1、4列）、錯檢（第2列）等問題。相反，本文提出的改進(jìn)的高斯YOLOv3可以從這些圖像中準(zhǔn)確地檢測所有人物。顯然，改進(jìn)的高斯YOLOv3比高斯YOLOv3人物識別準(zhǔn)確率高。

人物識別模型的檢測結(jié)果如表1所示，實(shí)驗(yàn)結(jié)果表明，高斯YOLOv3與改進(jìn)的高斯YOLOv3算法均具有較高的實(shí)時性，改進(jìn)的高斯YOLOv3對人物的識別精度為83.1%，比高斯YOLOv3提高了1.68%。

本文進(jìn)一步使用三個指標(biāo)對量種方法進(jìn)行了定量評估：假陰性（FN）、假陽性（FP）和真陽性（TP）。FN描述人物被漏檢，F(xiàn)P表示其他對象被錯誤地識別位人物；TP表明人物被正確檢測和識別。顯然，一種優(yōu)秀的人物是被方法應(yīng)該具有高TP值和低FN和FP值。表2給出了高斯YOLOv3和改進(jìn)的高斯YOLOv3的對比情況。從表格可知，改進(jìn)的高斯YOLOv3獲得了最高的TP值和最低的FP和FN值，同時，與高斯YOLOv3相比，F(xiàn)P、FN分別降低了60.00%、40.91%，增加了4.20%的TP。因此，所提出的算法優(yōu)于以往的研究，適合用于復(fù)雜場景的人物識別應(yīng)用。

4" 結(jié)" 論

本文提出了一種用于復(fù)雜場景中準(zhǔn)確實(shí)時的人物識別算法，網(wǎng)絡(luò)首先采用高斯函數(shù)對預(yù)測框的坐標(biāo)進(jìn)行建模，然后，采用基于注意力機(jī)制的非極大值抑制方法去除冗余的檢測框，提高目標(biāo)檢測結(jié)果的準(zhǔn)確性。在自建數(shù)據(jù)集上的定量和定性對比實(shí)驗(yàn)結(jié)果表明，所提出的改進(jìn)的高斯YOLOv3在保持實(shí)時性的同時，提高了精度，增加了TP，并顯著降低了FP、FN，可以提高人物識別的準(zhǔn)確定。在某些情況下，本文算法性能的改善并不明顯。本文下一步將針對小目標(biāo)、目標(biāo)重疊的目標(biāo)檢測進(jìn)行研究，進(jìn)一步提高算法的識別準(zhǔn)確率。

參考文獻(xiàn)：

[1] 于博文，呂明.改進(jìn)的YOLOv3算法及其在軍事目標(biāo)檢測中的應(yīng)用 [J].兵工學(xué)報，2022，43（2）：345-354.

[2] 蔣超，崔玉偉，王輝.基于圖像的無人機(jī)戰(zhàn)場態(tài)勢感知技術(shù)綜述 [J].測控技術(shù)，2021，40（12）：14-19.

[3] 周華平，殷凱，桂海霞，等.基于改進(jìn)的Faster R-CNN目標(biāo)人物檢測 [J].無線電通信技術(shù)，2020，46（6）：712-716.

[4] 劉寅.基于R-FCN的教室內(nèi)人物識別 [J].科學(xué)技術(shù)創(chuàng)新，2021（30）：88-90.

[5] REDMON J，DIVVALA S，GIRSHICK R. You Only Look Once： Unified， Real-Time Object Detection [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：779–788.

[6] LIU W，ANGUELOV D，ERHAN D，et al. SSD： Single Shot Multibox Detector [C]//in Lecture Notes in Computer Science（including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics）.Amsterdam：Springer，2016：21–37.

[7] ZHANG S，WEN L，BIAN X，et al. Single-Shot Refinement Neural Network for Object Detection [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：4203–4212.

[8] LIN T Y，GOYAL P，GIRSHICK R，et al. Focal Loss for Dense Object Detection [C]//2017 IEEE International Conference on Computer Vision （ICCV） 2017.Venice：IEEE，2017：2999–3007.

[9] REDMON J，F(xiàn)ARHADI A. YOLOv3： An Incremental Improvement [J/OL].arXiv：1804.02767 [cs.CV]（2018-04-08）.https：//arxiv.org/abs/1804.02767.

[10] ZHENG Z，WANG P，LIU W，et al. RenDistance-IoU Loss： Faster and Better Learning for Bounding Box Regression [J/OL].arXiv：1911.08287 [cs.CV].（2019-11-19）.https：//arxiv.org/abs/1911.08287.

[11] REZATOFIGHI H，TSOI N，GWAK J，et al. Generalized Intersection Over Union： A Metric and a Loss for Bounding Box Regression [C]//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Long Beach：IEEE，2019：658–666.

[12] JIANG B，LUO R，MAO J，et al. Acquisition of Localization Confidence for Accurate Object Detection [C]//Computer Vision-ECCV 2018.Cham：Springer，2018：816–832.

[13] CHOI J，CHUN D，KIM H，et al. Gaussian YOLOv3： An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving [C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Seoul：IEEE，2019：502–511.

[14] EVERINGHAM M，GOOL L V，WILLIAMS C，et al. The PASCAL Visual Object Classes Challenge Workshop 2008 [J].International Journal of Computer Vision，2010，88（2）：303-338.

作者簡介：楊錦（1996.04—），男，漢族，四川成都人，工程師，碩士研究生，研究方向：機(jī)器視覺、深度學(xué)習(xí)。