基于改進Yolov3的目標(biāo)檢測的研究

晏世武 羅金良 嚴(yán)慶

摘要：目標(biāo)檢測在視頻監(jiān)控、無人駕駛系統(tǒng)、機械自動化等領(lǐng)域起著重要作用。在如今大數(shù)據(jù)的背景下，為進一步提高Yolov3在不同數(shù)據(jù)集下的性能，本文以KITTI數(shù)據(jù)集為基礎(chǔ)，利用重新調(diào)整anchor數(shù)值和增加尺度融合的方法改進Yolov3，并通過增加數(shù)據(jù)的方法平衡類別，進一步提高Yolov3性能。實驗結(jié)果表明，改進的Yolov3較原始的框架，其mAP提高了近5.31%，從側(cè)面說明改進的Yolov3具有較高的實用價值。

關(guān)鍵詞：目標(biāo)檢測;深度學(xué)習(xí);尺度融合;平衡類別;mAP

0 引言

目標(biāo)檢測能夠?qū)D像或視頻中的物體進行準(zhǔn)確分類和定位，在監(jiān)控、無人駕駛、機械自動化等領(lǐng)域中起著至關(guān)重要的作用。早前的目標(biāo)檢測是通過人工提取特征的方法，使用DPM模型，并在圖像上進行窗口滑動的方法進行目標(biāo)的定位。這種方法十分耗時且精度不高。隨著信息時代的快速發(fā)展，如今的數(shù)據(jù)量成幾何式地增長，再使用人工提取特征的方式是十分不明智的。自2012年Alexnet在ILSVRC（Large Visual Recognition Challenge）比賽中大放光彩以來，學(xué)者們不斷地使用卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）設(shè)計新的目標(biāo)檢測框架，并出現(xiàn)了Faster RCNN、SSD、Yolov3等高性能的目標(biāo)檢測框架，并且在實踐中展現(xiàn)出強大性能。

在如今較為主流目標(biāo)檢測框架中，Yolov3在檢測速度和精度的平衡性方面表現(xiàn)較好，人們不斷在各種領(lǐng)域使用Yolov3實現(xiàn)目標(biāo)檢測功能。然而原始的Yolov3架構(gòu)并不能在各種數(shù)據(jù)集下均表現(xiàn)出色。對于小目標(biāo)物體會出現(xiàn)定位不準(zhǔn)確的和漏檢的情況。本文針對Yolov3的問題，設(shè)計以下改進方法：

（1）針對目標(biāo)定位不準(zhǔn)確的問題，對于不同的數(shù)據(jù)集，重新調(diào)整anchor的數(shù)值：

（2）針對小目標(biāo)難檢和漏檢的情況，增加一個尺度融合：

（3）通過增加較少類別的物體數(shù)的方式平衡類別來優(yōu)化Yolov3.

1Yolov3及其改進方式

1.1 Yolov3框架

Yolov3是目標(biāo)檢測算法之一，是基于回歸的方式進行特征提取，通過端到端的過程訓(xùn)練網(wǎng)絡(luò)。最終在多尺度融合的特征層中回歸出目標(biāo)的類別與位置。端到端的訓(xùn)練方式使得分類與定位過程為一體。其兩者共同的損失函數(shù)參與反向傳播計算，在節(jié)約特征提取時間的同時又提升了精度，滿足了目標(biāo)檢測的實時陸需求。Yolov3目標(biāo)檢測框架如圖1所示。

圖1中提取曾為Darknet-53的網(wǎng)絡(luò)結(jié)構(gòu)。該結(jié)構(gòu)以256x256圖片作為輸入，大量使用1×1和3×3的卷積層進行堆砌，并使用殘差網(wǎng)絡(luò)（如圖2所示）將淺層信息傳遞到深層，可在增加網(wǎng)絡(luò)深度的同時不引起梯度爆炸等問題，圖1中最左邊的數(shù)字即代表所重復(fù)的殘差網(wǎng)絡(luò)模塊的個數(shù)：Yolov3結(jié)構(gòu)在檢測方面采用的是多尺度檢測策略，使用32x32、16x16、8x8三個不同尺寸的特征圖進行檢測輸出。原圖進行尺寸映射到檢測特征層的每個點上，且每個點有3個預(yù)測框。因此在三個特征層檢測上共有4032個預(yù)測框。該預(yù)測數(shù)極大滿足了檢測多類物體的需要。最終使用logistic回歸，對每個預(yù)測框進行目標(biāo)性評分，根據(jù)目標(biāo)性評分來選擇滿足需求的目標(biāo)框，并對這些目標(biāo)框進行預(yù)測。

1.2 anchors的設(shè)置

在Yolov3目標(biāo)檢測框架中anchor十分重要，它是由當(dāng)前數(shù)據(jù)集通過kmeans聚類算法統(tǒng)計出來的，合適的anchor值能夠降低網(wǎng)絡(luò)架構(gòu)的損失值，加快收斂。在原始的Yolov3網(wǎng)絡(luò)層中，用于檢測物體的特征層為32x32、16x16、8x8大小的特征提取層，這些特征層可以映射到原始圖像，即原始圖像被切分為對應(yīng)特征層的網(wǎng)格大?。╣rid cell）。如果真實框（ground truth）中某個物體的中心坐標(biāo)落在gridcell里，就由該grid cell預(yù)測該物體，并且每個Cddcell預(yù)測3個邊界框，其邊界框的大小由anchor值決定，然后對預(yù)測的邊界框與真實框的交互比（IOU）來選出超過IOU值的邊界框去進行檢測，為進一步減少不必要的檢測次數(shù)，使用設(shè)置目標(biāo)置信度的方法，當(dāng)預(yù)測框的置信度小于該設(shè)定值就不再去檢測該框。

本文訓(xùn)練使用的KITTI數(shù)據(jù)集，而原始Yolov3中的anchor值是使用COCO數(shù)據(jù)集得到的。因此，為提升本文物體的定位精度，重新使用kmeans算法去統(tǒng)計是十分必要的，且由于KITTI數(shù)據(jù)集的圖片較大。本文將Yolov3的初始圖片大小設(shè)為608×608，其對應(yīng)特征層的大小也相應(yīng)的會改變。COCO數(shù)據(jù)集和KITHI的anchor值分別見表1、表2.

1.3 多尺度檢測

Yolov3目標(biāo)檢測框架中使用了多尺度檢測，即上文所提到的19x19、38×38、76×76三個特征層同時檢測圖像或視頻中的物體，且根據(jù)anchor中的值預(yù)先畫出預(yù)測邊界框。這種方式對中大型物體具有很好的檢測效果，但是對于小物體存在難檢或漏檢的情況。本文針對KITTI數(shù)據(jù)集，增加一個特征尺度以提升檢測精度。三尺度與四尺度檢測模型如圖3、4所示，由于增加了一個特征尺度，則anchor值也需要重新調(diào)整，見表3.

1.4 平衡數(shù)據(jù)類別

本文訓(xùn)練的數(shù)據(jù)集為KITTI。它是由德國卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦，是目前國際上最大的自動駕駛場景下的計算機視覺算法評測數(shù)據(jù)集。標(biāo)注了九個類別的物體，分別為Car、Van、Truck、Pedestrian、Person sitting、CyClist、Tram、Misc、DontCare。由于車輛的數(shù)據(jù)集較多而其它的數(shù)據(jù)較小，有結(jié)合CNN需要大量數(shù)據(jù)集的特點。本文對KITTI數(shù)據(jù)集中類別進行合并，合并策略如下：

（1）Car、Van、Truck、Tram合為一類，記為Vehicle;