摘 要：隨著信息顯示技術的持續(xù)發(fā)展，信息顯示的安全性問題愈發(fā)突出。信息加密顯示技術的實現(xiàn)依賴于目標檢測技術，需要根據(jù)不同信息的特點來選用相應的加密算法。為此，提出一種基于YOLOv7的顯著性目標檢測算法，該算法可以通過自建數(shù)據(jù)集標定顯著性區(qū)域，對模型進行訓練，并將得到的顯著性區(qū)域用于自適應加密顯示算法，以實現(xiàn)可分級的加密顯示。實驗結(jié)果表明，該模型性能優(yōu)越，有著較高的檢測準確率，能夠為后續(xù)針對敏感信息區(qū)域進行加密提供有力的支撐。

關鍵詞：YOLOv7；目標檢測；深度學習；信息安全；CBAM；加密顯示

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2025）05-00-03

0 引 言

當前，隱私保護議題受到社會各界的廣泛關注，信息顯示安全也成為人們討論的熱點。主流的加密顯示技術通過生成與原圖相關性很高的干擾幀，將其與原圖疊加并進行前后幀間隔顯示，再通過主動式快門眼鏡在人眼接收端濾去干擾幀，從而達到加密顯示的目的[1]。干擾幀的生成需借助目標檢測算法檢測出顯著性區(qū)域，并根據(jù)區(qū)域內(nèi)容特點，選擇合適的自適應加密算法對區(qū)域進行加密。顯著性區(qū)域主要包括人臉和字符。本文提出一種基于YOLOv7的顯著性區(qū)域檢測算法，通過自建數(shù)據(jù)集訓練模型權(quán)重。當該算法與加密顯示技術相結(jié)合時，能夠廣泛應用于會議室、作戰(zhàn)室等場景，對多種類型的敏感信息進行加密處理，使得擁有不同權(quán)限的人僅能看到與其權(quán)限相匹配的保密信息。

1 研究現(xiàn)狀

本文提出了一種基于YOLOv7的顯著性目標檢測算法，該算法通過對圖像各個位置進行采樣分析，檢測是否存在特定對象，并根據(jù)測試結(jié)果動態(tài)調(diào)整區(qū)域邊界，從而更準確地預測對象的真實邊界框。當前，目標檢測技術主要分為附著錨點和非附著錨點兩類。無錨點算法能夠借助密集預測直接推測目標位置與尺度，但該方法往往會產(chǎn)生大量候選框，其中大部分為無目標的背景框，從而增加了計算負擔及誤檢風險。此外，對于體積小、不易察覺的目標，當感受野過大時，無法對目標進行準確提取，導致檢測精度下降。針對上述問題，本文選擇基于錨點的算法，其中一階段檢測算法將圖像分成若干網(wǎng)格，再利用聚類算法找出每個網(wǎng)格內(nèi)的錨點；二階段檢測算法，如Mask R-CNN[2]、Faster R-CNN[3]、Cascade R-CNN[4]等則使用區(qū)域建議網(wǎng)絡（RPN）篩選錨點。常見的一階段檢測算法包括YOLOv4[5]、YOLOv5[6]、SSD等。自2016年推出以來，YOLO已被廣泛應用于基于深度神經(jīng)網(wǎng)絡的實時目標識別和定位系統(tǒng)，并且隨著不斷迭代和改進，YOLO在平衡速度和精度方面不斷精進，成為目標檢測的主流技術。YOLOv5作為YOLO系列的一個經(jīng)典版本，性能表現(xiàn)優(yōu)越。而YOLOv7在YOLOv5的基礎上將模型重新參數(shù)化引入到網(wǎng)絡架構(gòu)中，并提出了一種新的高效網(wǎng)絡結(jié)構(gòu)ELAN，以及一種包括輔助頭部的訓練方法。該方法使得YOLOv7得以在高達5～160幀/s的畫面刷新率下保持優(yōu)異的性能[7-9]。故本文選用YOLOv7作為本次研究的基準網(wǎng)絡。

2 目標檢測網(wǎng)絡

YOLOv7創(chuàng)新地引入了高效的ELAN網(wǎng)絡架構(gòu)，以控制最長與最短的梯度路徑，優(yōu)化網(wǎng)絡特性學習并增強其抗干擾能力。圖1所示為ELAN網(wǎng)絡架構(gòu)，該網(wǎng)絡由兩部分組成，第一部分采用1×1卷積對通道數(shù)進行調(diào)整；第二部分運用1×1卷積模塊與3×3卷積模塊對特征進行深度抽取。最后將兩個部分的特征融合，形成最終的特征提取結(jié)果。

3 CBAM-YOLOv7改進算法

CBAM即卷積塊注意力模塊，是一種輕量級的注意力機制，它融合了通道注意力和空間注意力兩個關鍵組件。圖2所示為CBAM模型結(jié)構(gòu)，輸入特征F∈RC×H×W，進行通道注意力模塊一維卷積，則MC∈RC×1×1；將卷積結(jié)果和原圖點乘，進行空間注意力模塊二維卷積，則MS∈R1×H×W，再將輸出結(jié)果與原圖點乘[10]。

通道注意力模塊的核心任務在于增強各通道的特征表達能力?？臻g注意力模塊的主要目的是凸顯圖像中不同位置的重要性。CBAM模塊通過自適應地學習通道和空間注意力權(quán)重，顯著提升了卷積神經(jīng)網(wǎng)絡的特征表達能力。通過將通道注意力和空間注意力相結(jié)合，CBAM模塊能夠同時捕捉不同維度上特征之間的相關性，進而優(yōu)化圖像識別的性能。

4 實驗與結(jié)果分析

4.1 自制數(shù)據(jù)集

圖像中的信息分為動態(tài)信息和靜態(tài)信息，動態(tài)信息包括移動的人或物體，常出現(xiàn)在畫面中部，表示情景、過程等信息；靜態(tài)信息包括相對靜止的說明性字符、符號、圖表等，常出現(xiàn)在畫面底部、側(cè)邊，表示狀態(tài)名稱、型號類別等信息。針對動態(tài)信息，需要對其運動變化趨勢進行跟蹤與標記，及時捕捉其位置，確保加密的全面性；針對靜態(tài)信息，其在畫面中的位置相對靜止，重點在于捕捉圖像內(nèi)部的光學特征，包括亮度、對比度、飽和度、邊緣信息豐富程度等，結(jié)合人眼的觀看習慣，針對性地進行加密。

人臉和字符檢測作為計算機視覺領域的常見算法，已被廣泛應用于多個場景。因此，為了獲得準確詳細的結(jié)果，構(gòu)建一個場景豐富、規(guī)模龐大、注釋更詳細準確的數(shù)據(jù)集進行訓練和測試顯得尤為重要。網(wǎng)上已有的數(shù)據(jù)集往往只針對某一動態(tài)信息進行歸納收集，比如固定攝像頭拍攝的車輛車牌檢測數(shù)據(jù)集只包括動態(tài)的車輛車牌，而缺乏對路邊的固定指示牌等靜態(tài)信息的標記。為了滿足靜態(tài)信息和動態(tài)信息并存的要求，通過官網(wǎng)下載新聞聯(lián)播錄像，并借助MATLAB R2017a工具對錄像按照固定的時間間隔提取視頻幀。通過手動篩選，刪除重復的演播室圖像，得到2 000張分辨率為1 280×720的圖像。隨后，使用labelimg工具進行手動標注，標注內(nèi)容包括人臉和字符兩種標簽，采用YOLO格式標簽并保存為txt文件，用于訓練YOLOv7目標檢測網(wǎng)絡。將訓練集、驗證集和測試集按8∶1∶1的比例進行分配，劃分為1 600張訓練集、200張驗證集和200張測試集，進行300輪訓練。選用CBAM-YOLOv7、YOLOv7-d6和YOLOv7-tiny三種網(wǎng)絡進行訓練。

4.2 實驗環(huán)境

本實驗使用的服務器為七彩虹BATTLE-AX B560M-FPRO臺式電腦，搭載Intel i5-10400F@2.90 GHz六核處理器，配備2塊16 GB威剛DDR4 3 200 MHz內(nèi)存條，具體實驗環(huán)境配置見表1。

4.3 評價指標

通過查準率（Precision Rate）、查全率（Recall Rate）和mAP（mean Average Precision）等指標來衡量目標檢測網(wǎng)絡的性能。其中，mAP指標是對每種類別分別求出精確度，然后進行平均處理；而針對特定IoU區(qū)間的mAP，例如mAP@.5：.95，則代表了在0.5至0.95的間隔中按照步長0.05逐步選擇IoU數(shù)值進行評估后得到的所有mAP值的平均結(jié)果。查準率、查全率的計算公式如下：

5 結(jié) 語

本文提出了一種基于YOLOv7的目標檢測網(wǎng)絡，自建新聞聯(lián)播數(shù)據(jù)集并進行訓練，針對人臉和字符進行檢測。實驗結(jié)果表明，該網(wǎng)絡在檢測查準率和查全率方面均表現(xiàn)出色，特別在CBAM-YOLOv7模型上，查準率高達99.1%。這一成果為后續(xù)針對敏感信息區(qū)域進行加密處理奠定了堅實的基礎。今后將增加更多的檢測標簽，不局限于人臉和字符，還將納入槍械、坦克等武器裝備，進一步增強敏感區(qū)域的檢測能力。

參考文獻

[1]王鵬，王鹍. 一種用于信息安全防護的同步式屏幕顯示： CN202011003136. X [P]. 2021-01-01.

[2] HE K M， GKIOXARI G， DOLLAR P， et al. Mask R-CNN [J]. IEEE transactions on pattern analysis and machine intelligence， 2020， 42（2）： 386-397.

[3] DING X T， LI Q D， CHENG Y Q， et al. Local keypoint-based faster R-CNN [J]. Applied intellgence， 2020， 50： 3007-3022.

[4] CHENG M， FAN C， CHEN L， et al. Partial atrous cascade R-CNN [J]. Electronics， 2022， 11（8）： 1241.

[5] ZENG L， DUAN X， PAN Y， et al. Research on the algorithm of helmet-wearing detection based on the optimized YOLOv4 [J]. The visual computer， 2023， 39： 2165-2175 .

[6] ZHANG R， ZHENG K， SHI P， et al. Traffic sign detection based on the improved YOLOv5 [J]. Applied sciences， 2023， 13（17）： 9748.

[7]劉虎成.基于YOLOv7的交通標志目標檢測方法研究[D].西安：西安電子科技大學，2023.

[8]韓朔.基于YOLOv7的缺陷雞蛋在線檢測系統(tǒng)的研究[D].銀川：寧夏大學，2023.

[9]馬銘駿.基于YOLOv7的市區(qū)道路擁堵檢測研究[D].蘭州：蘭州交通大學，2023.

[10] YANG K， ZHANG Y， ZHANG X， et al. YOLOX with CBAM for insulator detection in transmission lines [J]. Multimedia tools and applications， 2023， 83： 43419-43437.