徐思源， 儲開斌， 張 繼， 馮成濤

(常州大學，江蘇 常州 213000)

0 引言

近年來，無人機以其靈活機動、操作簡單等優(yōu)點在軍事和民用領(lǐng)域迅速發(fā)展，伴隨著無人機技術(shù)的日益成熟，無人機的應用場景也不斷增加，同時也促進了許多現(xiàn)代技術(shù)與無人機技術(shù)的融合，無人機加目標檢測也是當前的熱點方向。

傳統(tǒng)的目標檢測算法，如VIOLA等[1-2]提出的基于滑動窗口的VJ檢測器等，算法冗余，且設計窗口時還需要考慮物體長寬比，手工設計的特征魯棒性較差，效率低下，不適用于對實時性要求較高的檢測任務。而基于深度學習的目標檢測算法主要分為Two-stage和One-stage兩種。Two-stage代表性算法有R-CNN[3]，F(xiàn)ast R-CNN[4]，F(xiàn)aster R-CNN[5]等，其特點是生成的錨框會映射到特征圖的區(qū)域，然后將該區(qū)域重新輸入到全連接層再進行分類和回歸，每個錨框映射的區(qū)域都要進行這樣的分類和回歸，會耗費大量的時間；One-stage代表性算法有YOLO[6]，SSD[7]，YOLOv2[8]，YOLOv3[9]等，與Two-stage的不同在于錨框是一個邏輯結(jié)構(gòu)，只需對這個數(shù)據(jù)塊進行分類和回歸即可，因此擁有更高的檢測幀率。但是YOLOv3對小目標的識別能力有限，目前已有許多學者對此展開了研究：由ZENG等[10]提出的改進型YOLOv3模型充分利用淺層網(wǎng)絡，在第2次下采樣后額外引出這一層的特征圖，并與上一個尺度中特征圖進行拼接，增加一個小目標檢測能力更強的尺度，提高對小目標的檢測能力；戴偉聰?shù)萚11]利用YOLOv3進行單目標物體檢測時，對特征提取網(wǎng)絡進行裁剪，另根據(jù)數(shù)據(jù)集特性對網(wǎng)絡結(jié)構(gòu)進行調(diào)整，使改進后的YOLOv3 模型檢測精度與速度都有所提升；文獻[11]還指出，簡單的卷積神經(jīng)網(wǎng)絡模型具有更好的泛化性，尤其是在數(shù)據(jù)集較小、數(shù)據(jù)復雜多變的情況下，且YOLOv3參數(shù)量大，在較小數(shù)據(jù)集的檢測任務中容易過擬合。

針對YOLOv3對高空視角下的小目標檢出率低、檢測精度差的問題，本文提出了一種在高空視角下基于YOLOv3的小目標檢測改進算法。改進算法在提升小目標檢測精度的同時，幀率無明顯下降，保證了網(wǎng)絡檢測的實時性。

1 YOLOv3概述

YOLO算法最初是由REDMON等于2015年提出的一種基于回歸的目標識別方法[6]。YOLO算法只需要做一遍前向運算即可對多種物體進行檢測，將目標識別轉(zhuǎn)化為回歸任務來解決，以端到端的方式極大地提高了計算效率，繞開了候選區(qū)域的生成與評估，使得YOLO系列算法的檢測速度很快。

YOLOv3主體部分是由特征提取網(wǎng)絡與多尺度檢測器兩部分組成，其特征提取網(wǎng)絡結(jié)構(gòu)如圖1所示。

特征提取網(wǎng)絡主要用于提取圖像特征，而多尺度檢測器在特征提取網(wǎng)絡的基礎(chǔ)上進一步抽象和融合后得到3個尺度的預測特征，在3個尺度上進行檢測，最終輸出圖像中的物體類別與檢測框坐標。

在YOLOv3算法中，將一幅圖像劃分成S×S個網(wǎng)格，如果待檢測目標存在于某網(wǎng)格中，那么此網(wǎng)格就負責檢測該目標。每個網(wǎng)格負責檢測B個預測框信息，具體包括5個信息，即x，y，w，h，Cdeg，其中，(x,y),w,h分別代表預測框的中心坐標與寬高值相對于所在網(wǎng)格的相對值，Cdeg為置信度，算式為

Cdeg=Pr(Obj)*IoU

(1)

式中：Pr(Obj)表示該網(wǎng)格中是否存在待檢測物體，存在為1，不存在為0；IoU為預測框與真實框的交并比。

YOLOv3的目標損失函數(shù)由坐標預測損失、置信度預測損失、類別預測損失3部分組成。其中，置信度預測損失和類別預測損失均由YOLOv1，YOLOv2的誤差平方和改為對于類別以及置信度預測效果更好的交叉熵。損失函數(shù)為

(2)

式中：I為網(wǎng)格中的第I個錨框；C為物體的真實值；classes為不同物體的分類。

相較于其他算法，YOLOv3的網(wǎng)絡參數(shù)更少、檢測速度更快，更適合在計算資源有限、實時性要求更高的無人機平臺上應用。但YOLOv3對淺層網(wǎng)絡利用不充分，對于高空視角下出現(xiàn)的小目標存在檢測精度低、檢出率低的問題。本文從兩個方面著手，在提升小目標檢測精度的同時減小網(wǎng)絡計算量，達到與原始YOLOv3相近的幀率。

2 改進的YOLOv3小目標檢測

2.1 基于K-means的錨框聚類

K-means是機器學習中的非監(jiān)督學習，是一種典型的基于距離的聚類算法，該算法將相似的數(shù)據(jù)劃分為一個集合或稱為“一簇”。YOLOv3模型是基于錨框尺寸微調(diào)實現(xiàn)對邊界框預測的，其在COCO數(shù)據(jù)集上得到了9個初始的錨框，并平均地分給3個尺度，用于加強模型對不同大小目標的檢測能力。其中，小尺度的特征圖對應大的錨框，大尺度的特征圖對應小的錨框。

但是，由于所有的錨框尺寸都是在COCO數(shù)據(jù)集上聚類計算得到的，并不一定適用于其他數(shù)據(jù)集(如本文的飛機遙感數(shù)據(jù)集)的尺寸，因此需要對錨框尺寸進行重新聚類。本文測試了4～16個聚類中心對應的平均IoU，結(jié)果如圖2所示?？梢园l(fā)現(xiàn)，平均IoU隨著聚類中心個數(shù)的增加而提升，這表明增加聚類中心的個數(shù)能提高錨框與數(shù)據(jù)集標注的一致性。但是過多的聚類中心也會讓網(wǎng)絡的計算量增大，從而影響檢測的實時性。本文選擇在曲線變平緩的區(qū)間內(nèi)選擇網(wǎng)絡的聚類中心個數(shù)，因為在這一區(qū)間錨框數(shù)量的增加對于平均IoU的提升幅度開始減小，繼續(xù)增加錨框數(shù)量反而會影響檢測速度，另外，考慮到本文將原有YOLOv3的3個輸出尺度改進為4個，所以聚類中心個數(shù)最好是4的倍數(shù)，使得錨框平均地分配在4個尺度上。綜合考慮以上因素，本文選擇12個錨框，并對本文的訓練集進行重新聚類，得到的12個錨框尺寸分別為(14×29)， (20×34)，(21×47)，(28×43)，(26×54)，(27×66)，(34×56)，(33×72)，(41×70)，(36×87)，(47×89)和(57×113)。

圖2 不同的聚類中心數(shù)量對應的IoU變化Fig.2 IoU changes with the number of cluster centers

2.2 特征提取網(wǎng)絡改進與多尺度輸出

卷積神經(jīng)網(wǎng)絡在結(jié)構(gòu)上的特點是，最開始淺層網(wǎng)絡卷積得到的特征圖較大，維度較小，隨著網(wǎng)絡越來越深，特征圖會越來越小，維度較大。因此，在卷積神經(jīng)網(wǎng)絡中，淺層網(wǎng)絡主要用于提取待檢測目標物體的細節(jié)特征，每個像素點對應的感受野重疊區(qū)域較小，能保留更多的小目標信息，而深層特征圖反映的是抽象的語義信息，主要用來檢測大目標物體。

為了提升對小目標的檢測能力，本文進一步充分利用YOLOv3淺層網(wǎng)絡，設計的網(wǎng)絡結(jié)構(gòu)如圖3所示。初始YOLOv3的特征提取網(wǎng)絡由5次下采樣組成，每次下采樣后的殘差塊分別為1,2,8,8,4，本文繼續(xù)沿用這一經(jīng)典的特征提取結(jié)構(gòu)，但是對殘差塊的數(shù)量進行重新配置，在小目標信息更豐富的第1，2次下采樣各增加1個殘差塊，從而使淺層卷積層的特征提取更加充分。第3，4次下采樣因為不涉及到小目標尺度，為了使模型能更好地適應小數(shù)據(jù)集，擁有更好的泛化性，殘差塊數(shù)量減少為4，6。第5次下采樣保持不變，依然設置為4個殘差塊。

除了改進特征提取網(wǎng)絡的小目標提取能力，本文還利用到了更多小目標信息。從第2次下采樣引出一個特征圖輸出，并與上一個尺度融合。相比于拼接前，特征拼接后待檢測目標的細節(jié)信息更加豐富。

卷積網(wǎng)絡參數(shù)Ppara算式為

Ppara=(Kh*Kw*Cin)*Cout+Cout

(3)

式中：Kh與Kw分別為卷積核的高和寬；Cin與Cout分別是輸入通道數(shù)與輸出通道數(shù)。改動淺層網(wǎng)絡對網(wǎng)絡總參數(shù)的影響較小，所以本文在特征提取網(wǎng)絡上修改對幀率的影響也較小。

圖3 改進后的框架可視化結(jié)構(gòu)圖Fig.3 Visualization structure of the improved framework

3 實驗對比

3.1 測試環(huán)境

本文實驗所采用的操作系統(tǒng)為Ubuntu18.04，GPU為NVIDIA GeForce RTX3090，以及Python3.8.5，Open CV3.4等工具包，采用的深度學習框架為Darknet。

3.2 算法對比和檢測可視化

本文采用平均檢測精度PmAP、精確率P、召回率R、交并比IoU、幀率以及F1作為檢測模型的評價指標。其中

(4)

P=PT/(PT+PF)

(5)

R=PT/(PT+NF)

(6)

式中：PT為真正例，PF為假正例，NT為真反例，NF為假反例；Nclasses為類別個數(shù)；PclassAve為不同類別的平均精度。

(7)

式中：X表示預測框；Y表示真實框。

(8)

本文使用遙感飛機數(shù)據(jù)集UCAS-AOD[12]，共900幅遙感飛機圖像，其中，700幅用于制作訓練集，200幅為測試集。訓練過程中損失函數(shù)可視化圖如圖4所示。

圖4 模型訓練中的損失函數(shù)可視化圖Fig.4 Loss visualization in model training

表1對比了本文算法和YOLOv3以及一個未對特征提取網(wǎng)絡做改進，但使用了與本文相同的4個尺度輸出思想的文獻[13]算法。

表1 3種檢測算法對比

可以看出，本文算法因為對特征提取網(wǎng)絡中淺層網(wǎng)絡使用了更多的殘差塊，保留了更多的小目標信息和邊緣信息，除幀率指標外對比其他兩種算法都有提升。其中，mAP的提升最大，對比YOLOv3提高5.84%。除幀率稍低于YOLOv3外，各項模型評估指標都有提高，幀率有略微的降低是因為模型加強了小目標檢測能力的同時，增加了一個完整的輸出尺度，不可避免地加深了網(wǎng)絡，使得總參數(shù)量增加，降低了模型的檢測速度。但是因為本文算法簡化了特征提取網(wǎng)絡，使其實時性下降得并不明顯，對比YOLOv3幀率僅下降1.3幀/s。

為驗證本文算法對小目標檢測能力的提升，將其與原YOLOv3算法、文獻[13]算法對測試集部分圖像做可視化檢測,如圖5所示。

圖5 3種算法檢測結(jié)果對比

在圖5所示3組圖像中，共含有待檢測目標16個。圖5(a)為YOLOv3的檢測結(jié)果，漏檢數(shù)為6，可以看出YOLOv3對于部分小目標會出現(xiàn)比較嚴重的漏檢；圖5(b)為文獻[13]算法的檢測結(jié)果，漏檢數(shù)為4，相較于YOLOv3有提升但不明顯，對于靠近登機橋的目標仍然會出現(xiàn)漏檢，原因是其仍然沿用原YOLOv3的特征提取網(wǎng)絡，即使從淺層網(wǎng)絡引出輸出尺度，檢測效果提高的程度也很有限；圖5(c)為本文算法的檢測結(jié)果，沒有出現(xiàn)漏檢的情況，驗證了改進特征提取網(wǎng)絡并從淺層網(wǎng)絡引出輸出尺度，可以有效提升YOLOv3對于小目標的檢測效果。

為驗證本文算法的泛化性，選用了4類低質(zhì)量圖像做測試，共含有待檢測目標20個，檢測結(jié)果如圖6所示。圖6(a)為YOLOv3的檢測結(jié)果，漏檢數(shù)為2且模糊環(huán)境圖左側(cè)出現(xiàn)了誤檢；圖6(b)為文獻[13]算法的檢測結(jié)果，漏檢數(shù)為1；圖6(c)為本文算法的檢測結(jié)果，漏檢數(shù)為0。實驗證明本文算法有更好的泛化性，在惡劣環(huán)境下、圖像欠曝光和過度曝光等情況下的檢測任務中也有更好的表現(xiàn)。

圖6 3種算法在低質(zhì)量圖像上的檢測結(jié)果Fig.6 Detection results of three algorithms on low-quality images

4 總結(jié)

本文針對原有YOLOv3特征提取網(wǎng)絡進行改進，重新配置每次下采樣殘差塊數(shù)量，并且在輸出端融合一個淺層的尺度特征以獲得更多小目標信息，用于遙感圖像中飛機小目標的檢測。在數(shù)據(jù)集UCAS-AOD上的實驗表明：本文算法相比YOLOv3在檢測速度幾乎不變的情況下，大幅提升了檢測精度，同時對于特殊場景下的圖像(霧天、模糊、欠曝光、過度曝光)也有很好的檢測效果。