基于深度学习的目标检测算法研究

丁小可

（贵阳学院，贵州贵阳550005）

0 引言

在无人驾驶技术中，对汽车周围环境的感知是无人驾驶系统的基础部分，是保证无人车安全、准确行驶的必要条件。为了达到这个目的，无人驾驶系统中使用了各种类型的传感器，其中属于“视觉”的传感器包括毫米波雷达、超声波雷达、激光雷达及摄像头。使用摄像头所采集到的二维图像来推断无人车在三维世界中的位置，这项技术和传统计算机视觉相结合，伴随着“大数据”和“云计算”的成熟，在激光雷达成本高昂的当代，必然会在无人驾驶定位中发挥更大的作用。

在基于计算机视觉和摄像头的物体检测中，卷积神经网络CNN是一种适合使用在连续值输入信号上的深度神经网络。

在深度学习出现之前，传统的目标检测方法分为三步：区域选择、特征提取、分类器。这种检测方法存在两个问题：一方面，滑窗的选择策略没有针对性，时间复杂度高，窗口冗余；另一方面，人为设计的特征鲁棒性差。深度学习出现后，目标检测技术有了重大突破，比较瞩目的有两个方面：（1）以R-CNN为代表的基于Region Proposal的深度学习目标检测算法[1]；（2）以YOLO为代表的基于回归的目标检测算法。FAST R-CNN在速度上没有满足实时性的要求，而采用回归的YOLO算法计算速度较快。

1 YOLO目标检测流程

如图1所示，YOLO检测流程为：

（1）输入某个特定的图片，YOLO将图片分解成S×S个网格，如果某个目标物体的中心落在此网格中，网格就负责检测这个物体。

（2）在每个网格中，模型都会自动生成两个边框，生成边框的目的在于通过边框来预测某类目标物是否存在，除此之外还要反映此目标物存在的概率是多大，以此判断边框的预测是否准确。这个所预测的值称之为目标的置信度（confidence scores）。

置信度的公式定义为：

如果这个网格中不存在一个物体，则置信度为0；否则，置信度为预测的边框和实际边框的重合度（IOU）。

图1 YOLO检测流程

图2 YOLO网络结构

YOLO中每个网格的预测边框有五个参数：x，y，w，h，confidence。其中，x，y分别代表了预测边框相对于所在网格的中心坐标；w，h分别代表预测边框相对于整幅图像的宽和高；confidence代表了预测边框和物体所在实际边框的重合度。此外，每个网格还要预测C个条件类别概率（conditional class probability），记作Pr（Classi｜Object），这个概率只考虑每个网格中的目标概率而不考虑边框中的目标。在测试阶段将条件类别概率与每个边框的预测置信度相乘，就得到了每个边框中物体属于某一类别的置信度，公式如下：

（3）依据上一步的的操作，模型建立了S×S×2个边框，然后计算出每个边框的置信度，最后采用非极大值抑制（NMS）[2]消除那些置信度较低的边框。

2 YOLO网络设计

YOLO检测网络包括24个卷积层和2个全连接层（用1×1），如图2所示。其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值[3]。

3 YOLO特点

与其他基于视觉检测的模型相比，YOLO具有一系列的优点：

（1）能够迅速识别目标物体。YOLO与FASTER R-CNN具有一定的相似性，但在YOLO中精简了卷积神经网络。原来在识别图像中物体时，先要判定图像中的元素到底是背景还是目标物，然后再辨别其类别和概率。而在YOLO中采用回归的机制代替前述两步，图像被直接分解成S×S个网格，以此来替代原来的滑动窗口机制，从而使得候选框的数量减小，在牺牲一定精度的情况下使得检测速度提高。

（2）产生背景错误的概率较低。之前其他的基于视觉检测的模型在对图片进行处理时，一般使用了滑动窗口机制来找到最有可能包含检测目标的区域，而每次候选框中的图像都是独立的。YOLO是利用端到端的回归方式来处理图像，可以利用网格的联系和图像的统一更准确识别背景上的物体，从而降低检测失误率。和Fast R-CNN相比，YOLO的背景错误不到Fast R-CNN的一半[4]。

（3）模型的泛化能力较好。先让自然图像数据集在YOLO上训练，然后将训练得到的模型用于对非自然图像的检测，模型的准确率相较于YOLO之前的检测模型更高。因此模型的泛化性较好，能够适用于涉及图像识别的其他行业。

尽管如此，YOLO也有一系列缺点：

（1）YOLO中利用全连接层的数据完成对边框的定位，会丢失太多位置信息；

（2）由于在YOLO的每个网格中只定义了两个边框，当多个（大于二）物体处于一个网格中时，YOLO就不能很好地预测到。

4 结语

在采用YOLO模型对物体进行检测时，只对物体的类别作了检测，但在无人驾驶系统中，除了对物体的识别外，还需要在此基础上对所检测物体的具体位置进行判断，以达到预警或将信息供给无人驾驶决策系统使用的目的。之后笔者将结合其他传感器，采用多信息融合的方式，改进相关算法和模型。