基于深度學(xué)習(xí)的目標(biāo)檢測算法研究

丁小可

（貴陽學(xué)院，貴州貴陽550005）

0 引言

在無人駕駛技術(shù)中，對汽車周圍環(huán)境的感知是無人駕駛系統(tǒng)的基礎(chǔ)部分，是保證無人車安全、準(zhǔn)確行駛的必要條件。為了達(dá)到這個目的，無人駕駛系統(tǒng)中使用了各種類型的傳感器，其中屬于“視覺”的傳感器包括毫米波雷達(dá)、超聲波雷達(dá)、激光雷達(dá)及攝像頭。使用攝像頭所采集到的二維圖像來推斷無人車在三維世界中的位置，這項技術(shù)和傳統(tǒng)計算機(jī)視覺相結(jié)合，伴隨著“大數(shù)據(jù)”和“云計算”的成熟，在激光雷達(dá)成本高昂的當(dāng)代，必然會在無人駕駛定位中發(fā)揮更大的作用。

在基于計算機(jī)視覺和攝像頭的物體檢測中，卷積神經(jīng)網(wǎng)絡(luò)CNN是一種適合使用在連續(xù)值輸入信號上的深度神經(jīng)網(wǎng)絡(luò)。

在深度學(xué)習(xí)出現(xiàn)之前，傳統(tǒng)的目標(biāo)檢測方法分為三步：區(qū)域選擇、特征提取、分類器。這種檢測方法存在兩個問題：一方面，滑窗的選擇策略沒有針對性，時間復(fù)雜度高，窗口冗余；另一方面，人為設(shè)計的特征魯棒性差。深度學(xué)習(xí)出現(xiàn)后，目標(biāo)檢測技術(shù)有了重大突破，比較矚目的有兩個方面：（1）以R-CNN為代表的基于Region Proposal的深度學(xué)習(xí)目標(biāo)檢測算法[1]；（2）以YOLO為代表的基于回歸的目標(biāo)檢測算法。FAST R-CNN在速度上沒有滿足實時性的要求，而采用回歸的YOLO算法計算速度較快。

1 YOLO目標(biāo)檢測流程

如圖1所示，YOLO檢測流程為：

（1）輸入某個特定的圖片，YOLO將圖片分解成S×S個網(wǎng)格，如果某個目標(biāo)物體的中心落在此網(wǎng)格中，網(wǎng)格就負(fù)責(zé)檢測這個物體。

（2）在每個網(wǎng)格中，模型都會自動生成兩個邊框，生成邊框的目的在于通過邊框來預(yù)測某類目標(biāo)物是否存在，除此之外還要反映此目標(biāo)物存在的概率是多大，以此判斷邊框的預(yù)測是否準(zhǔn)確。這個所預(yù)測的值稱之為目標(biāo)的置信度（confidence scores）。

置信度的公式定義為：

如果這個網(wǎng)格中不存在一個物體，則置信度為0；否則，置信度為預(yù)測的邊框和實際邊框的重合度（IOU）。

圖1 YOLO檢測流程

圖2 YOLO網(wǎng)絡(luò)結(jié)構(gòu)

YOLO中每個網(wǎng)格的預(yù)測邊框有五個參數(shù)：x，y，w，h，confidence。其中，x，y分別代表了預(yù)測邊框相對于所在網(wǎng)格的中心坐標(biāo)；w，h分別代表預(yù)測邊框相對于整幅圖像的寬和高；confidence代表了預(yù)測邊框和物體所在實際邊框的重合度。此外，每個網(wǎng)格還要預(yù)測C個條件類別概率（conditional class probability），記作Pr（Classi｜Object），這個概率只考慮每個網(wǎng)格中的目標(biāo)概率而不考慮邊框中的目標(biāo)。在測試階段將條件類別概率與每個邊框的預(yù)測置信度相乘，就得到了每個邊框中物體屬于某一類別的置信度，公式如下：

（3）依據(jù)上一步的的操作，模型建立了S×S×2個邊框，然后計算出每個邊框的置信度，最后采用非極大值抑制（NMS）[2]消除那些置信度較低的邊框。

2 YOLO網(wǎng)絡(luò)設(shè)計

YOLO檢測網(wǎng)絡(luò)包括24個卷積層和2個全連接層（用1×1），如圖2所示。其中，卷積層用來提取圖像特征，全連接層用來預(yù)測圖像位置和類別概率值[3]。

3 YOLO特點

與其他基于視覺檢測的模型相比，YOLO具有一系列的優(yōu)點：

（1）能夠迅速識別目標(biāo)物體。YOLO與FASTER R-CNN具有一定的相似性，但在YOLO中精簡了卷積神經(jīng)網(wǎng)絡(luò)。原來在識別圖像中物體時，先要判定圖像中的元素到底是背景還是目標(biāo)物，然后再辨別其類別和概率。而在YOLO中采用回歸的機(jī)制代替前述兩步，圖像被直接分解成S×S個網(wǎng)格，以此來替代原來的滑動窗口機(jī)制，從而使得候選框的數(shù)量減小，在犧牲一定精度的情況下使得檢測速度提高。

（2）產(chǎn)生背景錯誤的概率較低。之前其他的基于視覺檢測的模型在對圖片進(jìn)行處理時，一般使用了滑動窗口機(jī)制來找到最有可能包含檢測目標(biāo)的區(qū)域，而每次候選框中的圖像都是獨立的。YOLO是利用端到端的回歸方式來處理圖像，可以利用網(wǎng)格的聯(lián)系和圖像的統(tǒng)一更準(zhǔn)確識別背景上的物體，從而降低檢測失誤率。和Fast R-CNN相比，YOLO的背景錯誤不到Fast R-CNN的一半[4]。

（3）模型的泛化能力較好。先讓自然圖像數(shù)據(jù)集在YOLO上訓(xùn)練，然后將訓(xùn)練得到的模型用于對非自然圖像的檢測，模型的準(zhǔn)確率相較于YOLO之前的檢測模型更高。因此模型的泛化性較好，能夠適用于涉及圖像識別的其他行業(yè)。

盡管如此，YOLO也有一系列缺點：

（1）YOLO中利用全連接層的數(shù)據(jù)完成對邊框的定位，會丟失太多位置信息；

（2）由于在YOLO的每個網(wǎng)格中只定義了兩個邊框，當(dāng)多個（大于二）物體處于一個網(wǎng)格中時，YOLO就不能很好地預(yù)測到。

4 結(jié)語

在采用YOLO模型對物體進(jìn)行檢測時，只對物體的類別作了檢測，但在無人駕駛系統(tǒng)中，除了對物體的識別外，還需要在此基礎(chǔ)上對所檢測物體的具體位置進(jìn)行判斷，以達(dá)到預(yù)警或?qū)⑿畔⒐┙o無人駕駛決策系統(tǒng)使用的目的。之后筆者將結(jié)合其他傳感器，采用多信息融合的方式，改進(jìn)相關(guān)算法和模型。