基于深度學習的目標檢測與識別算法

黃鏡塵 李光 李敏

摘要：隨著科技的不斷發展，基于深度學習的目標檢測與識別算法已經可以應用于各種不同的場景之中。本文從當下比較流行的兩大類算法出發，分別從算法的原理介紹以及基本的工作流程進行介紹，將五類識別算法優缺點進行逐一分析。對今后的學術研究方便進行合適的選擇。

關鍵詞：目標檢測;算法;目標識別

目標識別一般要求研究系統具有較高的識別準確度，這是進行識別最基本的要求，精確識別樣品中的目標數量是根本所在，識別系統的一切基礎功能包括其拓展都是建立在成功識別出一個個目標模型之上建立的。二是擁有較快的識別速度[1]，由于現在的目標識別工作都有著大量的計算量，放在正常的PC設備上面處理這些數據集需要有很多繁瑣的步驟需要一步步進行處理，更何況是把這些處理放在樹莓派中進行，每一個部分都需要花費巨大的時間，因此在保證識別準確性和精準度的同時，能否擁有一定的識別速度就成為一個很重要的問題。三是目標識別技術的出現在有眾多便利的同時，其安全性穩定性也是一個需要我們考慮的重要因素，如何保證系統可以長時間穩定運行也是該項目順利完成的一個重要訴求。

1.R-CNN基本原理及工作流程

首先需要獲取所要檢測的圖像，需要使用選擇性搜尋，然后大約選擇2000個上下的無關類的待選擇的區域;把上一步選擇的區域進行轉化，轉變為大小統一的圖片類，并且會使用卷積神經網絡模型將每一個區域的特征進行提取收集;將每一個候選區域借由使用特定類型的線性支持向量器分類器來進行分類，并且通過線性回歸的方法，對獲得的坐標邊框進行精致修正。

2.Fast R-CNN

（1）原理介紹

Fast R-CNN相對于R-CNN的變化，關鍵在于是實現了對后者的加速處理，首先是學習了有關SPP Net的方法，成功研究提出了ROI池化層的簡易版本，并且也實現了候選框的映射，正是這些改進讓網絡實現了反向傳播的功能，在SPP訓練層面來講，也很好的攻克了其整體網絡訓練的一些難題。其次是關于多任務Loss層的變化，R-CNN是使用支持向量器進行多分類工作，而Fast R-CNN實現這一功能的卻是邏輯回歸模型[9]，還有就是之前的使用邊框回歸也是讓SmoothL1Loss進行代替。

（2） 基本工作流程

首先第一步工作同R-CNN相同，都是先需要獲取一個待識別的對象， 接下來就是使用選擇性搜尋選擇好候選區域;識別對象要進行特征提取，這一步是通過卷積操作然后得到特征圖;先要找到一個個的候選框關于特征圖的映射修補，然后將每個修補作為其候選框的特征量，將一個個特征量進行輸入，放到ROI的池化層以及后面的層;把之前候選框的特征量輸入，特征量進入到邏輯回歸模型分類器中，通過邏輯回歸模型分類器進行一系列分類工作;對候選框位置進行整理，通過進行SmoothL1Loss的回歸方案來達到對位置調整的結果。

3.Faster R-CNN

（1）原理介紹

Faster R-CNN算法相較于Fast R-CNN算法的最大進步就是其區域候選的選擇是使用區域候選網絡實現的。Faster R-CNN還通過把區域候選網絡合并到卷積神經網絡中，真正意義上將端到端的目標檢測進行了實現，Faster R-CNN主要由卷積層、ROI池化層、風險系數、回歸和分類幾類構成。

（2）基本工作流程

將全部的待檢測樣品進行輸入，放到卷積神經網絡中，從而獲取特征圖;為了得到候選框里面的一系列信息量，需要把卷積神經網絡獲取的特征輸入到區域候選網絡中;將候選框里面的特征量信息進行分類，并且判斷出這些特征量能不能歸于同一類別，將每一個候選框的特征信息進行提取分類后，在使用回歸器將其整理到正確的地方。

4.YOLO

（1）原理介紹

One-stage這一算法的提出首先是在YOLO上面實現的，由：卷積層，目標檢測層，NMS篩選層三個部分組成整個系統，而YOLO的檢測網絡主要是由2個全連接層和24個卷積層構成的，在YOLO中，全連接層的作用是辨識圖像所處位置以及有關類型的概率值的工作，而卷積層則是負責待檢測樣品的特征信息的提取工作。

（2）基本工作流程

不同于R-CNN系列要將樣品分為2000個區域，YOLO可以將待識別樣品劃分為S*S個任意區域。接下來需要格子進行預測X個邊界框，這些邊界框在回歸到自己的位置的同時，還需要順便預測一個值，我們稱之為confidence值。 這個值表示邊界框中預測目的的可信程度以及邊界框預測信息的準確度，接下來就是將一個個所得圖像進行分類。

5.SSD

（1） 原理介紹

SSD和YOLO的相同點是都使用一個卷積神經網絡來進行對樣品的檢測活動，不同點是SSD的特征圖擁有多個尺度。SSD由三部分組成分別是卷積層、目標檢測層還有非極大值抑制篩選層[8]。

（2） 基本工作流程

SSD算法是在以前的傳統VGG網絡里面加入了5個特征圖尺寸依次減小的卷積層[17]，這樣做可以對每個特征圖的輸入使用不同的核心進行卷積，并且使得得到的輸入量進行不同的工作中，其中的一個輸出量給confidence用于分類，使每個默認框生成不同類別的confidence;剩下的輸出值給localization用于回歸，這一使每個默認框得4到個坐標值。最后將每一個特征圖上面得到的最終結果進行整理合并后送達到Loss層里面。

6.總結

R-CNN：R-CNN基于深度學習的目標檢測中最早應用卷積的特性的，由于R-CNN需要將每個檢測樣品都分成2000待檢測區域，使算法所需時長大大增加。Fast R-CNN模型是在R-CNN和SPP-NET這兩種模型的基礎上提出的，依舊采用selective search來提取特征區域，所耗費時間較長的情況依舊沒有得到好轉。

Faster R-CNN采用了直接回歸的方式進行時設計，可以較快的檢測出目標樣品，在面對一些尺寸較小的樣品的時候無法成功檢測。

SSD算法成功的將R-CNN系列以及YOLO系列的特點長處融合在了一起，使的邊界框的定位不準的問題在SSD中也得到了很好的解決，并且在面對一些難以分辨的檢測樣品的情況下，也保有了一定的成功率。

參考文獻：

[1] 徐浩浩. 基于Python深度學習的人臉識別方法探究[J]. 現代信息科技，2019，3（17）：88-90

[2] Girshick R B， Donahue J， Darrell T， et al. Region- based convolutional networks for accurate object detection and segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 38（1）： 142-158

（作者簡介：黃鏡塵1999.07，山東交通學院本科學生，指導老師：李光、李敏）