于秀萍， 呂淑平， 陳志韜

(哈爾濱工程大學(xué)自動(dòng)化學(xué)院，哈爾濱150001)

0 引言

目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)新興的應(yīng)用方向，也是近年來(lái)的研究熱點(diǎn)之一。隨著中國(guó)城市化的進(jìn)程不斷加快，很多城市提出了要建設(shè)“智慧城市”，視頻監(jiān)控設(shè)備作為智慧城市的眼睛，將在未來(lái)發(fā)揮重要的作用。人們希望監(jiān)控設(shè)備能夠自動(dòng)捕捉到視頻中的異常情況，并能夠最大限度降低誤報(bào)和漏報(bào)現(xiàn)象，以最快、最佳的方式發(fā)出警報(bào)和提供有用信息。這就需要對(duì)視頻中各種各樣的目標(biāo)進(jìn)行快速、準(zhǔn)確的識(shí)別。

早期的目標(biāo)識(shí)別方法大多是利用尺度不變特征變換(Scale-invariant Feature Transform，SIFT)進(jìn)行物體檢測(cè)，利用方向梯度直方圖(Hist Ogram of Oriented Gradients，HOG)進(jìn)行行人檢測(cè)等。例如利用 HOG+LBP特征處理行人遮擋，提高檢測(cè)準(zhǔn)確率［1］。上述方法都是將提取到的特征輸入到分類(lèi)器中來(lái)進(jìn)行識(shí)別，本質(zhì)上是由人手工設(shè)計(jì)的特征工程。手工設(shè)計(jì)特征工程存在費(fèi)時(shí)費(fèi)力，對(duì)專(zhuān)業(yè)領(lǐng)域知識(shí)要求高，泛化性能差等問(wèn)題。由于卷積神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，越來(lái)越多的研究者開(kāi)始利用卷積神經(jīng)網(wǎng)絡(luò)來(lái)完成目標(biāo)識(shí)別任務(wù)。

深層的卷積神經(jīng)網(wǎng)絡(luò)在不同的視覺(jué)識(shí)別任務(wù)中取得了巨大的成功［2-5］。在多類(lèi)目標(biāo)識(shí)別任務(wù)上，提出了 R-CNN［6］、 SPP-NET［7］、 Fast-RCNN［8］、 Faster-RCNN［9］、SSD［10］、YOLO［11］等多種算法。其中 YOLO是目前識(shí)別效果較好的算法之一。

本文以tiny-yolo為基礎(chǔ)設(shè)計(jì)了一個(gè)包含15個(gè)卷積層的神經(jīng)網(wǎng)絡(luò)模型m-yolo，實(shí)現(xiàn)多個(gè)類(lèi)別的目標(biāo)進(jìn)行識(shí)別。改進(jìn)了tiny-yolo的網(wǎng)絡(luò)結(jié)構(gòu)，增加了3×3卷積層的數(shù)量，并在兩個(gè)3×3卷積層中間加入了1×1卷積層 NIN［12］(Network in Network)，使用 voc2007 數(shù)據(jù)集對(duì)改進(jìn)的效果進(jìn)行了測(cè)試。

1 神經(jīng)網(wǎng)絡(luò)模型m-yolo設(shè)計(jì)

1.1 m-yolo的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

tiny-yolo是一種微型的YOLO，僅由9個(gè)卷積層和6個(gè)最大池化層構(gòu)成，參數(shù)量?jī)H有標(biāo)準(zhǔn)YOLO模型的22%［11］。為了提高識(shí)別的準(zhǔn)確性和定位的精確性，對(duì)tiny-yolo的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，改進(jìn)后的模型用myolo表示。m-yolo的網(wǎng)絡(luò)基于darknet框架實(shí)現(xiàn)，包括15個(gè)卷積層和6個(gè)最大池化層。m-yolo網(wǎng)絡(luò)的結(jié)構(gòu)如表1所示。

表1 m-yolo的網(wǎng)絡(luò)結(jié)構(gòu)

所有卷積層的激活函數(shù)都設(shè)置為L(zhǎng)eaky函數(shù):

由表1可以看到，改進(jìn)后的網(wǎng)絡(luò)增加了3×3的卷積層，加入3×3的卷積層可以提高特征提取的能力，但是使模型的參數(shù)量有所增加。為了保證模型的識(shí)別速度，需要讓模型小型化，盡量壓縮參數(shù)量。為此加入了1×1的卷積層。1×1卷積層不會(huì)改變輸入圖像的維度，它的作用是實(shí)現(xiàn)多個(gè)特征映射的線(xiàn)性組合，壓縮或增加通道的數(shù)量，實(shí)現(xiàn)多通道的信息交互和整合。在3×3的卷積層的中間加入1×1的卷積層起到了降低參數(shù)量作用。例如，第8層輸入圖像的尺寸為52×52，通道數(shù)為128，卷積核尺寸為3×3，數(shù)量為128。在沒(méi)有第7層1×1卷積層的情況下，第8層的參數(shù)量為128×3×3×128=147 456。加入卷積核數(shù)量為64的1×1卷積層之后，總的參數(shù)量為1×1×128×643×3×64×128=81 920。參數(shù)量降低為原來(lái)的55.6%。參數(shù)的降低使層與層之間的連接稀疏化，減輕過(guò)擬合的同時(shí)減少了計(jì)算的復(fù)雜度，降低了訓(xùn)練的難度。輸出層的維度為13×13×5×(20+5)。

1.2 實(shí)驗(yàn)數(shù)據(jù)

使用voc2007和voc2012數(shù)據(jù)集進(jìn)行m-yolo網(wǎng)絡(luò)模型的訓(xùn)練和性能測(cè)試。數(shù)據(jù)集中包含有person，car，bicycle，motorbike，train，bus，cat，dog 等 20 類(lèi)常見(jiàn)的物體，voc2007中包含了9 963張標(biāo)注過(guò)的圖片，一共標(biāo)注了24 640個(gè)物體。voc2012的訓(xùn)練集包含了11 540張圖片，一共標(biāo)注了27 450個(gè)物體。

1.3 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)在Windows10環(huán)境下實(shí)現(xiàn)，電腦的CPU型號(hào)為Intel(R)Core(TM)i5-7300HQ，GPU型號(hào)為NVIDIA GeForce GTX 1050Ti，顯存為4 GB，內(nèi)存8 GB。設(shè)置動(dòng)量常數(shù)β為0.9，權(quán)值衰減系數(shù)為0.000 5，每個(gè)batch訓(xùn)練64個(gè)樣本，采用分段調(diào)節(jié)學(xué)習(xí)率的策略，初始學(xué)習(xí)率為0.001，steps分別設(shè)置為100，25 000，35 000，最大迭代次數(shù)40 200 次，scales分別設(shè)置為10，0.1，0.1。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 訓(xùn)練結(jié)果

實(shí)驗(yàn)的loss函數(shù)下降散點(diǎn)圖如圖1、2所示。圖1是tiny-yolo模型的loss函數(shù)散點(diǎn)圖，可以看到迭代40 200次時(shí)模型基本收斂，loss約在0.7～1.4之間。圖2是m-yolo模型的loss函數(shù)散點(diǎn)圖，loss約在0.6 ～1.2之間。從收斂情況來(lái)看，模型訓(xùn)練比較理想。

圖1 tiny-yolo模型的loss函數(shù)散點(diǎn)圖

圖2 m-yolo模型的loss函數(shù)散點(diǎn)圖

2.2 m-yolo模型和tiny-yolo模型的性能對(duì)比

兩種模型在voc2007的20種物體上的識(shí)別準(zhǔn)確率如表2、3所示。對(duì)比表2、3可以發(fā)現(xiàn)，m-yolo模型在所有的20類(lèi)物體上的識(shí)別準(zhǔn)確率都比tiny-yolo模型要高。提升最多的是對(duì)桌子(table)的識(shí)別，提高了14.36%。提升最少的是對(duì)瓶子(bottle)的識(shí)別，提高了 0.55%。

表3 m-yolo模型在voc2007數(shù)據(jù)集上的測(cè)試結(jié)果 %

3 討論

在目標(biāo)識(shí)別中有一些重要的指標(biāo):平均準(zhǔn)確率(mAP)，識(shí)別速度，查準(zhǔn)率(precision)，查全率(recall)，平均交并比(avg IOU)，平均識(shí)別時(shí)間(avg time)等。計(jì)算預(yù)測(cè)邊界框和實(shí)際邊界框的交并比IOU。當(dāng)IOU＞0.5定義為真正例;IOU＜0.5定義為假正例;IOU=0.5定義為假反例［13-14］。用TP代表真正例，F(xiàn)P代表假正例，F(xiàn)N代表假反例，則查準(zhǔn)率和查全率［15］的計(jì)算公式為:

計(jì)算兩個(gè)模型的查全率(recall)和查準(zhǔn)率(precision)，平均識(shí)別率(mAP)，平均 IOU，平均檢測(cè)時(shí)間等如表4所示。

表4 查全率和查準(zhǔn)率等指標(biāo)

從表4可以看出，m-yolo模型的查準(zhǔn)率(precision)提高了 0.01，查全率(recall)提高了 0.1。查全率提高的幅度比較大，說(shuō)明m-yolo模型的漏檢的數(shù)量明顯減少(將正例判成反例，即假反例FN)。myolo模型的 mAP從 tiny-yolo的44.02%提高到了51.04%，平均交并比(avg IOU)從 tiny-yolo 的41.83%提高到了43.60%。在識(shí)別速度方面，測(cè)試共使用了4 952張圖片，tiny-yolo模型識(shí)別一張圖片平均用時(shí)23.2 ms，m-yolo 模型識(shí)別一張圖片平均用時(shí) 23.8 ms。m-yolo的識(shí)別時(shí)間僅上升了0.6 ms。

實(shí)驗(yàn)表明，改進(jìn)后的模型m-yolo在識(shí)別的準(zhǔn)確性上，定位的精確性上與tiny-yolo相比均有了明顯的提升，同時(shí)平均識(shí)別時(shí)間僅上升了0.6 ms，識(shí)別的速度幾乎沒(méi)有下降。說(shuō)明在m-yolo模型中加入的NIN結(jié)構(gòu)達(dá)到了預(yù)期的效果，改進(jìn)的方案有效可行。

4 結(jié)語(yǔ)

在tiny-yolo網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)之上，m-yolo增加了3×3卷積層的數(shù)量，并在兩個(gè)3×3卷積層中間加入了1×1卷積層。實(shí)驗(yàn)表明，改進(jìn)的方法在提高了模型性能的同時(shí)，有效的避免了識(shí)別時(shí)間大幅度的上升。YOLO算法為了提高識(shí)別的速度放棄了Region Proposal策略，直接對(duì)輸入圖像劃分格子導(dǎo)致對(duì)小目標(biāo)識(shí)別效果差，可以嘗試找尋更好的方法來(lái)代替對(duì)輸入圖像劃分格子的方法。目前深度學(xué)習(xí)仍然處于快速發(fā)展的階段，不斷有新的算法提出，所以考慮對(duì)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行修改和優(yōu)化也是研究的方向之一。