淺析復雜場景下的濕地鳥類目標檢測

周鐵林

沈陽理工大學 遼寧 沈陽 110000

1 YOLOv3目標檢測及原理

目標檢測是將圖像或視頻中的目標與感興趣區域分開，確定目標是否存在，以及是否存在目標，確定目標的位置。YOLO系列目標檢測網絡是單次目標檢測網絡中最具代表性的網絡結構，YOLOv3是YOLO系列的網絡之一，因為在檢測精度上可以與兩次目標檢測網絡相媲美，同時可以達到實時檢測速度，因此成為主要的，廣泛應用的目標檢測算法之一。

2 YOLOv3對于濕地鳥類檢測算法的改進

2.1 對于檢測框及網絡層的改進

針對拍攝采集的數據大多模糊不清，對于需要采集的目標容易造成采集模糊，無法識別，無法定位的這個問題，需要在算法的預測框方面改良，使其更好地檢測到實際需要采集的目標。一個目標的每個邊界框都要預測邊界框位置信息(x,y,w,h)和置信度(cinfidence)，置信度的計算公式如公式1所示：

由于算法存在著高分類準確率和低定位準確率，我們需要將YOLOv3算法的預測框輸出信息中加入顯示預測框準確程度的指標，在網絡訓練過程中指導網絡學習預測更加準確的預測框，從而降低YOLOv3 算法的定位誤差[2]。可通過建立模型將顯示預測框的中心點坐標和概率輸入設定為x，輸出設定為y，為平均值，用來表示預測框相對位置，為方差，用來表示預測框相對的準確度。模型公式如公式2所示：

改進后每一個預測框輸出8個位置和尺寸信息，1個有無目標的置信度信息和多個類別信息。在網絡預測層加入對預測框的不確定性回歸使網絡整體性能提升了6.81個百分點，平均交并比提升了5.2%，這證明了加入預測框不確定性回歸減小了YOLOv3算法的定位誤差。為了獲得更高性能的訓練模型，在網絡訓練階段會使用多種有利于網絡訓練的方法。特征提取網絡是由高質量圖像分類的尺度架構截斷而成，主要用于提取圖像特征[3]。將Darknet53結構進行裁剪后，在數據集較少的情況下更加符合實際應用。借鑒上述思想，設計了全新的Darknet-Bird網絡結構。改進后的Darknet-Bird模型層數比原有的Darknet53模型層數少了11層，整體的運算量，網絡深度等都大幅下降。

2.2 YOLOv3改進后和已有的網絡對比

原始的YOLO v3網絡將輸入圖像拆分為SxS網格。如果將對象的中心坐標折疊到網格中，則該網格負責跟蹤對象。由于Darknet網絡引入residual結構，結構優勢遠遠超過傳統VGG-16網絡，優化了冗余的回歸金字塔結構，速度會快很多。增加了Libra R-CNN模型，包含候選區域生成與選擇、特征提取、類別分類和檢測框回歸等多個任務的訓練與收斂。與Faster-RCNN相比，COCO兩步目標檢測任務的LibraR-CNN模型精度超過2%，效果非常明顯。

3 結果展示

將數據集分別通過改進后的YOLOv3網絡和正常的YOLOv3網絡訓練后得出的結果如圖1所示：

圖1 數據集訓練結果對比圖

將本文算法與其他算法的實驗結果比較如下：Faster-RCNN的識別率為89.2%，YOLO v3的識別率為79.6%，本文算法識別率為86.6%。召回率分別為82.3%，80.7%，89.2%；FPS分別為14.7，30，37；用時分別為11.4s，8.3s，6.1s。

4 結束語

目前存在的檢測算法很多，論實用性來說本文經過改進的YOLOv3算法比較符合需求，但仍相差很大，距離實際應用仍有很大距離。由于實際應用的復雜性，還需根據實際應用情況來選擇符合條件的算法。