陳沛豪，韓宇光，鐘皓俊，余澤，劉鑫蕾

（華東理工大學(xué)，上海，200237）

1 YOLO V3算法原理

近年來，隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，傳統(tǒng)的利用手工設(shè)計(jì)圖像特征的目標(biāo)檢測方法已經(jīng)發(fā)展為基于深度學(xué)習(xí)的目標(biāo)檢測方法[1-2]。當(dāng)下的深度學(xué)習(xí)算法主要可以分為兩類，第一類是基于候選區(qū)域的兩階段目標(biāo)檢測算法，代表性的算法是R-CNN框架，以及在此基礎(chǔ)上通過構(gòu)建區(qū)域建議網(wǎng)絡(luò)生成候選框提出的Faster R-CNN。第二類是基于回歸的單階段目標(biāo)檢測算法，該種算法直接預(yù)測物體的類別概率、位置坐標(biāo)而無需生成候選區(qū)域，代表性的算法有YOLO系列與SSD系列。[3]相較而言，兩階段的檢測算法通常具有較高的檢測精度，但檢測速度較慢，而單階段檢測算法以犧牲了一定檢測精度的代價(jià)提高了檢測速度。

1.1 YOLO V3主網(wǎng)絡(luò)結(jié)構(gòu)分析

YOLO V3模型基于卷積神經(jīng)網(wǎng)絡(luò)，對于卷積神經(jīng)網(wǎng)絡(luò)而言，增加卷積層的數(shù)量能夠提取到圖像更多的特征值，使得圖像識別的結(jié)果更加精確。因此，在一定程度上，網(wǎng)絡(luò)越深，表達(dá)能力越強(qiáng)，性能越好[4]。但隨著卷積層數(shù)量的增多，計(jì)算量也隨之增大，同時(shí)還會(huì)帶來梯度爆炸等一系列的問題。

為了讓網(wǎng)絡(luò)模型能夠?qū)W習(xí)到優(yōu)秀的特征，做出更為準(zhǔn)確的分類結(jié)果，同時(shí)又能夠使計(jì)算量不至于過大，YOLO V3采用了大量卷積核為3*3和1*1的卷積層，并加入了殘差層的結(jié)構(gòu)。YOLO V3模型共有53個(gè)卷積層，這種特征提取網(wǎng)絡(luò)結(jié)構(gòu)被稱為Darknet53。其結(jié)構(gòu)圖如圖1所示。

圖1 YOLO V3主要網(wǎng)絡(luò)結(jié)構(gòu)圖

由圖中可以看出Darknet53采用了[Convolutional-Convolution-Residual]的子模塊網(wǎng)絡(luò)，構(gòu)成了全卷積的網(wǎng)絡(luò)形式，使網(wǎng)絡(luò)對于任何分辨率輸入的圖片均可以進(jìn)行特征提取[5]。

1.2 改進(jìn)的YOLOv3算法

1.2.1 多尺度檢測網(wǎng)絡(luò)改進(jìn)

原始YOLOv3網(wǎng)絡(luò)以Darknet53網(wǎng)絡(luò)結(jié)構(gòu)為骨干，使用3個(gè)預(yù)測層以3種不同的尺度檢測對象。該網(wǎng)絡(luò)將輸入的原圖像經(jīng)過8倍下采樣、16倍下采樣、32倍下采樣后的特征圖作為特征融合網(wǎng)絡(luò)的輸入，在一般場景下，由于目標(biāo)大小與距離的不確定性，該方法對正常大小的物體有不錯(cuò)的檢測效果，但是在平常的生活環(huán)境下，大部分對兒童可能造成危險(xiǎn)的目標(biāo)在圖像中所占比例較小，對目標(biāo)的檢測效果會(huì)大大降低，并且由于下采樣操作會(huì)丟失目標(biāo)很多的有用信息，會(huì)造成一些目標(biāo)漏檢。

1.2.2 特征融合網(wǎng)絡(luò)改進(jìn)

卷積神經(jīng)網(wǎng)絡(luò)中，不同層次的特征圖含有目標(biāo)不同的特征信息。淺層特征分辨率更高，含有目標(biāo)更豐富的位置信息，深層特征含有較強(qiáng)的語義信息，但位置信息相對粗糙。利用淺層特征可以將簡單的目標(biāo)區(qū)分開來，利用深層的特征可以區(qū)分開一些復(fù)雜的目標(biāo)，因此構(gòu)建特征金字塔，將高層網(wǎng)絡(luò)與低層網(wǎng)絡(luò)的特征信息融合更有利于對目標(biāo)特征的描述。原始YOLOv3算法采用的特征融合網(wǎng)絡(luò)為FPN，通過將52×52、26×26、13×13三個(gè)不同尺度的特征信息通過特征金字塔結(jié)構(gòu)進(jìn)行融合，實(shí)現(xiàn)多尺度檢測。

2 YOLOV3模型在兒童看護(hù)方面的應(yīng)用

2.1 訓(xùn)練及驗(yàn)證數(shù)據(jù)集

數(shù)據(jù)集的優(yōu)劣能夠直接影響訓(xùn)練模型參數(shù)的好壞，本文選取coco數(shù)據(jù)集作為訓(xùn)練集。鑒于尖銳物品與細(xì)小物品對兒童潛在危險(xiǎn)較大，因此選擇coco數(shù)據(jù)集中相關(guān)物品進(jìn)行模型訓(xùn)練。

實(shí)驗(yàn)平臺(tái)的操作系統(tǒng)為Windows 10，CPU為Intel Core i7，GPU為NVIDIA 1080 ti，編程語言為python，深度學(xué)習(xí)框架為Tensorflow。

實(shí)驗(yàn)平臺(tái)的配置如表1所示。

表1 實(shí)驗(yàn)平臺(tái)配置

2.2 實(shí)驗(yàn)結(jié)果及分析

測試結(jié)果顯示該圖像中人像與刀的像素距離為184，小于既定閾值，故觸發(fā)報(bào)警提示，如圖2和圖3所示。

圖2 危險(xiǎn)物品識別測試圖

圖3 危險(xiǎn)物品距離圖

3 總述

本文采用YOLO V3的深度學(xué)習(xí)算法，設(shè)計(jì)了兩個(gè)模型。一個(gè)是簡易的兒童看護(hù)系統(tǒng)，通過圖像處理系統(tǒng)對兒童及潛在危險(xiǎn)物品進(jìn)行識別，判斷其之間的距離，并與預(yù)設(shè)的安全閾值距離進(jìn)行對比，實(shí)現(xiàn)安全預(yù)警。經(jīng)過實(shí)驗(yàn)驗(yàn)證該系統(tǒng)運(yùn)行時(shí)，當(dāng)兒童與潛在危險(xiǎn)物品距離小于預(yù)設(shè)值時(shí)，系統(tǒng)會(huì)發(fā)出警告，從而實(shí)現(xiàn)輔助看管功能，緩解監(jiān)護(hù)人對兒童的看護(hù)壓力。不管是在對目標(biāo)的檢測速度上還是檢測精度上，基于YOLOV3系統(tǒng)的目標(biāo)檢測與定位方法能夠更快、更準(zhǔn)地檢測出行人與車輛，實(shí)驗(yàn)結(jié)果證明了方法的有效性。