基于YOLOv7的显著性目标检测

摘 要：随着信息显示技术的持续发展，信息显示的安全性问题愈发突出。信息加密显示技术的实现依赖于目标检测技术，需要根据不同信息的特点来选用相应的加密算法。为此，提出一种基于YOLOv7的显著性目标检测算法，该算法可以通过自建数据集标定显著性区域，对模型进行训练，并将得到的显著性区域用于自适应加密显示算法，以实现可分级的加密显示。实验结果表明，该模型性能优越，有着较高的检测准确率，能够为后续针对敏感信息区域进行加密提供有力的支撑。

关键词：YOLOv7；目标检测；深度学习；信息安全；CBAM；加密显示

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2025）05-00-03

0 引 言

当前，隐私保护议题受到社会各界的广泛关注，信息显示安全也成为人们讨论的热点。主流的加密显示技术通过生成与原图相关性很高的干扰帧，将其与原图叠加并进行前后帧间隔显示，再通过主动式快门眼镜在人眼接收端滤去干扰帧，从而达到加密显示的目的[1]。干扰帧的生成需借助目标检测算法检测出显著性区域，并根据区域内容特点，选择合适的自适应加密算法对区域进行加密。显著性区域主要包括人脸和字符。本文提出一种基于YOLOv7的显著性区域检测算法，通过自建数据集训练模型权重。当该算法与加密显示技术相结合时，能够广泛应用于会议室、作战室等场景，对多种类型的敏感信息进行加密处理，使得拥有不同权限的人仅能看到与其权限相匹配的保密信息。

1 研究现状

本文提出了一种基于YOLOv7的显著性目标检测算法，该算法通过对图像各个位置进行采样分析，检测是否存在特定对象，并根据测试结果动态调整区域边界，从而更准确地预测对象的真实边界框。当前，目标检测技术主要分为附着锚点和非附着锚点两类。无锚点算法能够借助密集预测直接推测目标位置与尺度，但该方法往往会产生大量候选框，其中大部分为无目标的背景框，从而增加了计算负担及误检风险。此外，对于体积小、不易察觉的目标，当感受野过大时，无法对目标进行准确提取，导致检测精度下降。针对上述问题，本文选择基于锚点的算法，其中一阶段检测算法将图像分成若干网格，再利用聚类算法找出每个网格内的锚点；二阶段检测算法，如Mask R-CNN[2]、Faster R-CNN[3]、Cascade R-CNN[4]等则使用区域建议网络（RPN）筛选锚点。常见的一阶段检测算法包括YOLOv4[5]、YOLOv5[6]、SSD等。自2016年推出以来，YOLO已被广泛应用于基于深度神经网络的实时目标识别和定位系统，并且随着不断迭代和改进，YOLO在平衡速度和精度方面不断精进，成为目标检测的主流技术。YOLOv5作为YOLO系列的一个经典版本，性能表现优越。而YOLOv7在YOLOv5的基础上将模型重新参数化引入到网络架构中，并提出了一种新的高效网络结构ELAN，以及一种包括辅助头部的训练方法。该方法使得YOLOv7得以在高达5～160帧/s的画面刷新率下保持优异的性能[7-9]。故本文选用YOLOv7作为本次研究的基准网络。

2 目标检测网络

YOLOv7创新地引入了高效的ELAN网络架构，以控制最长与最短的梯度路径，优化网络特性学习并增强其抗干扰能力。图1所示为ELAN网络架构，该网络由两部分组成，第一部分采用1×1卷积对通道数进行调整；第二部分运用1×1卷积模块与3×3卷积模块对特征进行深度抽取。最后将两个部分的特征融合，形成最终的特征提取结果。

3 CBAM-YOLOv7改进算法

CBAM即卷积块注意力模块，是一种轻量级的注意力机制，它融合了通道注意力和空间注意力两个关键组件。图2所示为CBAM模型结构，输入特征F∈RC×H×W，进行通道注意力模块一维卷积，则MC∈RC×1×1；将卷积结果和原图点乘，进行空间注意力模块二维卷积，则MS∈R1×H×W，再将输出结果与原图点乘[10]。

通道注意力模块的核心任务在于增强各通道的特征表达能力。空间注意力模块的主要目的是凸显图像中不同位置的重要性。CBAM模块通过自适应地学习通道和空间注意力权重，显著提升了卷积神经网络的特征表达能力。通过将通道注意力和空间注意力相结合，CBAM模块能够同时捕捉不同维度上特征之间的相关性，进而优化图像识别的性能。

4 实验与结果分析

4.1 自制数据集

图像中的信息分为动态信息和静态信息，动态信息包括移动的人或物体，常出现在画面中部，表示情景、过程等信息；静态信息包括相对静止的说明性字符、符号、图表等，常出现在画面底部、侧边，表示状态名称、型号类别等信息。针对动态信息，需要对其运动变化趋势进行跟踪与标记，及时捕捉其位置，确保加密的全面性；针对静态信息，其在画面中的位置相对静止，重点在于捕捉图像内部的光学特征，包括亮度、对比度、饱和度、边缘信息丰富程度等，结合人眼的观看习惯，针对性地进行加密。

人脸和字符检测作为计算机视觉领域的常见算法，已被广泛应用于多个场景。因此，为了获得准确详细的结果，构建一个场景丰富、规模庞大、注释更详细准确的数据集进行训练和测试显得尤为重要。网上已有的数据集往往只针对某一动态信息进行归纳收集，比如固定摄像头拍摄的车辆车牌检测数据集只包括动态的车辆车牌，而缺乏对路边的固定指示牌等静态信息的标记。为了满足静态信息和动态信息并存的要求，通过官网下载新闻联播录像，并借助MATLAB R2017a工具对录像按照固定的时间间隔提取视频帧。通过手动筛选，删除重复的演播室图像，得到2 000张分辨率为1 280×720的图像。随后，使用labelimg工具进行手动标注，标注内容包括人脸和字符两种标签，采用YOLO格式标签并保存为txt文件，用于训练YOLOv7目标检测网络。将训练集、验证集和测试集按8∶1∶1的比例进行分配，划分为1 600张训练集、200张验证集和200张测试集，进行300轮训练。选用CBAM-YOLOv7、YOLOv7-d6和YOLOv7-tiny三种网络进行训练。

4.2 实验环境

本实验使用的服务器为七彩虹BATTLE-AX B560M-FPRO台式电脑，搭载Intel i5-10400F@2.90 GHz六核处理器，配备2块16 GB威刚DDR4 3 200 MHz内存条，具体实验环境配置见表1。

4.3 评价指标

通过查准率（Precision Rate）、查全率（Recall Rate）和mAP（mean Average Precision）等指标来衡量目标检测网络的性能。其中，mAP指标是对每种类别分别求出精确度，然后进行平均处理；而针对特定IoU区间的mAP，例如mAP@.5：.95，则代表了在0.5至0.95的间隔中按照步长0.05逐步选择IoU数值进行评估后得到的所有mAP值的平均结果。查准率、查全率的计算公式如下：

5 结 语

本文提出了一种基于YOLOv7的目标检测网络，自建新闻联播数据集并进行训练，针对人脸和字符进行检测。实验结果表明，该网络在检测查准率和查全率方面均表现出色，特别在CBAM-YOLOv7模型上，查准率高达99.1%。这一成果为后续针对敏感信息区域进行加密处理奠定了坚实的基础。今后将增加更多的检测标签，不局限于人脸和字符，还将纳入枪械、坦克等武器装备，进一步增强敏感区域的检测能力。

参考文献

[1]王鹏，王鹍. 一种用于信息安全防护的同步式屏幕显示： 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]刘虎成.基于YOLOv7的交通标志目标检测方法研究[D].西安：西安电子科技大学，2023.

[8]韩朔.基于YOLOv7的缺陷鸡蛋在线检测系统的研究[D].银川：宁夏大学，2023.

[9]马铭骏.基于YOLOv7的市区道路拥堵检测研究[D].兰州：兰州交通大学，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.