深度學(xué)習(xí)的多尺度多人目標(biāo)檢測(cè)方法研究

劉 云，錢美伊，李 輝，王傳旭

青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院，山東 青島266000

1 引言

目前，深度學(xué)習(xí)是計(jì)算機(jī)視覺領(lǐng)域的主流研究方法[1-2]，通過神經(jīng)網(wǎng)絡(luò)，計(jì)算機(jī)可以自己學(xué)習(xí)待檢測(cè)目標(biāo)的特征，并且比人工提取的特征能夠更好地表達(dá)目標(biāo)的特性[3]。這樣做的好處是，無需人工干預(yù)，極大地減輕了人力負(fù)擔(dān)，同時(shí)又能讓其具有很好的魯棒性[4]。

人體目標(biāo)檢測(cè)，是計(jì)算機(jī)視覺的一個(gè)重要應(yīng)用方向[5]?；趥鹘y(tǒng)方法的人體目標(biāo)檢測(cè)，包括HOG+SVM、DPM 等方法，需要人工提取特征，對(duì)目標(biāo)進(jìn)行識(shí)別，魯棒性較差[6-7]。而使用深度學(xué)習(xí)實(shí)現(xiàn)目標(biāo)檢測(cè)，可以實(shí)現(xiàn)更加魯棒的人體目標(biāo)檢測(cè)，檢測(cè)效果要比傳統(tǒng)方法好很多[8]。

對(duì)人體目標(biāo)進(jìn)行檢測(cè)，在輸入圖像中，人體目標(biāo)的大小與其距離相機(jī)鏡頭的遠(yuǎn)近有關(guān)，而且，有時(shí)會(huì)存在巨大的尺度差異[9]。人體的遮擋，所在環(huán)境的光照變化，人體動(dòng)作姿態(tài)的改變，都會(huì)對(duì)人體目標(biāo)檢測(cè)的結(jié)果造成影響[10-11]。因此，提出一種人體目標(biāo)檢測(cè)方法，能夠克服上述問題，尤其是針對(duì)小目標(biāo)，還有在目標(biāo)尺度劇烈變化的情況，實(shí)現(xiàn)對(duì)人體目標(biāo)的高質(zhì)量檢測(cè)。

2 相關(guān)工作

早些年在目標(biāo)檢測(cè)領(lǐng)域，人們所使用的神經(jīng)網(wǎng)絡(luò)多為Girshick 等提出的R-CNN 和Fast R-CNN[12]等。然而，由于R-CNN 不共享特征，以及SVM 的使用，都讓網(wǎng)絡(luò)的運(yùn)行速度極其緩慢。雖然后來的Fast R-CNN 使用了共享特征圖，并用softmax 代替了SVM，讓網(wǎng)絡(luò)的運(yùn)行速度和準(zhǔn)確度得到了大幅提升，但是仍待改進(jìn)。Redmon 等人提出單階段的YOLO[13]，雖然檢測(cè)速度很快，但是檢測(cè)精度仍然欠佳。Ren等提出的Faster R-CNN方法[14]成功地讓目標(biāo)檢測(cè)的性能又上升了一個(gè)臺(tái)階。

Faster R-CNN包括兩個(gè)階段，第一階段RPN（Region Proposal Network，區(qū)域候選網(wǎng)絡(luò)）感興趣區(qū)域提取階段，以及第二階段的目標(biāo)檢測(cè)階段。

RPN 網(wǎng)絡(luò)，是通過在共享的特征圖中，滑動(dòng)一系列小窗口（anchors，也稱為錨），這些小窗口的大小和縱橫比不同，然后通過使用一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，提取出待檢測(cè)目標(biāo)可能所在的位置，并對(duì)其進(jìn)行回歸操作。RPN替代了選擇性搜索（SS），提高了目標(biāo)檢測(cè)的速度。目標(biāo)檢測(cè)的階段則采用Fast R-CNN 方法。Faster R-CNN通過將候選框選擇、特征提取、感興趣區(qū)域的尺度歸一化、目標(biāo)分類和目標(biāo)回歸統(tǒng)一進(jìn)一個(gè)整體的深度學(xué)習(xí)框架中，實(shí)現(xiàn)了大大提高網(wǎng)絡(luò)運(yùn)行的效率。

Faster R-CNN 使用多尺度的錨，確實(shí)可以解決部分的尺度變化問題，但是對(duì)于小目標(biāo)的檢測(cè)仍然不甚理想。Dai 等人提出R-FCN 算法[15]雖然使用了難例挖掘和多通道圖像拼接等方式提升了目標(biāo)檢測(cè)的精度，卻沒有解決多尺度特征信息。Brazil 等提出SDS-RCNN[16]，在進(jìn)行目標(biāo)檢測(cè)的同時(shí)，實(shí)現(xiàn)對(duì)目標(biāo)的語義分割，從而提升了目標(biāo)的檢測(cè)精度。但是，當(dāng)遇到目標(biāo)的尺度大幅度變化時(shí)，其檢測(cè)效果不佳。為了解決目標(biāo)尺度變化帶來的問題，在目標(biāo)檢測(cè)領(lǐng)域，從傳統(tǒng)方法的圖像金字塔，到現(xiàn)在一系列的神經(jīng)網(wǎng)絡(luò)方法分別被提出，并被應(yīng)用到多尺度的目標(biāo)檢測(cè)領(lǐng)域。傳統(tǒng)的方法使用圖像金字塔，人工提取多尺度特征，費(fèi)時(shí)費(fèi)力，且檢測(cè)效果較差；Cai等提出的MS-CNN[17]在一定程度上解決了多尺度問題，然而對(duì)于較低層次的特征圖，雖然分辨率比較高，但是由于其中所包含的語義信息較弱，不能對(duì)待檢測(cè)目標(biāo)很好地表達(dá)；Kong 等提出的HyperNet[18]進(jìn)一步解決了多尺度問題，但是，雖然提高了高層次特征圖的分辨率，卻仍然沒有改善低層次特征圖的弱語義信息，不能很好地表達(dá)目標(biāo)特征。作為SDS-RCNN 的改進(jìn)版本，Zhou 等提出的SSA-RCNN[19]雖然使用了2 種尺度的特征圖，但是沒有使用更多尺度的特征圖，也沒有對(duì)不同尺度的特征圖進(jìn)行融合。Lin 等提出的FPN[20]（Feature Pyramid Networks，特征金字塔網(wǎng)絡(luò)），成功地解決了特征圖金字塔中較低層次特征圖的語義信息弱的問題。通過將不同層次特征圖之間進(jìn)行融合，使低層次的特征圖具有強(qiáng)語義信息、高分辨率的特點(diǎn)，從而實(shí)現(xiàn)對(duì)小目標(biāo)和多尺度目標(biāo)的高質(zhì)量檢測(cè)。

3 深度學(xué)習(xí)的多尺度多人目標(biāo)檢測(cè)

在Faster R-CNN 框架的基礎(chǔ)上，把FPN 特征金字塔網(wǎng)絡(luò)引入到整體框架之中，并對(duì)網(wǎng)絡(luò)整體進(jìn)行了一系列優(yōu)化，算法的整體框架圖如圖1所示。

圖1 算法流程圖

提出的多尺度人體目標(biāo)檢測(cè)算法流程為：首先，把原始圖像輸入殘差網(wǎng)絡(luò)[21]（ResNet）提取深層特征圖。ResNet有若干層輸出相同尺寸的特征圖，把這些層作為同一階段，由淺至深劃分為conv1 至conv5。conv1 的特征圖分辨率太高，占用大量?jī)?nèi)存，因此不使用conv1，而只使用conv2 至conv5。每一階段最后一層的輸出，在當(dāng)前階段的語義信息最強(qiáng)，而且非線性激活層可以解決反向傳播梯度消失問題，因此，每一階段最后一層經(jīng)過非線性激活后的輸出，作為當(dāng)前階段的參考特征圖，得到C2～C5?？梢杂^察到，相鄰層級(jí)特征圖的尺寸比例是2倍。自上而下把不同層次的特征圖首先使用1×1卷積核更改為相同的通道數(shù)256，然后放大至與下一層級(jí)相同的大小，迭代相鄰層級(jí)之間特征圖的加法操作，實(shí)現(xiàn)低層級(jí)語義信息的增強(qiáng)，得到P2～P5，形成FPN 特征金字塔。FPN 各層級(jí)特征圖尺寸不同，在每個(gè)層級(jí)上滑動(dòng)相同尺度的錨點(diǎn)（anchors），那么映射到原始圖像中是尺度之比為2 的不同大小的區(qū)域。為了簡(jiǎn)化網(wǎng)絡(luò)，并節(jié)約訓(xùn)練時(shí)間，因此沒有必要在FPN每一層各設(shè)置不同尺度的錨點(diǎn)。原始的Faster R-CNN 使用conv4 這一層級(jí)的特征圖來提取ROIs，特征圖分辨率低，難以檢測(cè)小目標(biāo)。與之相比，本文方法使用FPN 所有4 個(gè)層級(jí)的參考特征圖，融合后的低層級(jí)特征圖，兼具高語義特征和高分辨率的特性，更適合檢測(cè)小目標(biāo)，對(duì)多尺度目標(biāo)的檢測(cè)效果遠(yuǎn)高于Faster R-CNN。在時(shí)間復(fù)雜度方面，如果原始的Faster R-CNN 與本文算法都使用相同的骨干網(wǎng)絡(luò)ResNet-101[21]，那么二者骨干網(wǎng)絡(luò)的時(shí)間復(fù)雜度用FLOPs 指標(biāo)來衡量皆為7.6×109次計(jì)算[21]。FPN 將4 個(gè)尺度的參考特征圖按像素位置對(duì)應(yīng)相加，計(jì)算量遠(yuǎn)遠(yuǎn)小于7.6×109。FPN 相鄰層級(jí)特征圖面積之比是4 倍，F(xiàn)PN每個(gè)層級(jí)的每個(gè)位置上分別產(chǎn)生3 個(gè)相同尺度、不同縱橫比的錨點(diǎn)，所有尺度參考特征圖的通道數(shù)都為256；與之相比，原始的Faster R-CNN 在conv4單尺度參考特征圖，每個(gè)位置產(chǎn)生9 個(gè)不同尺度和縱橫比的錨點(diǎn)，特征圖的維度也是256。可以推得，F(xiàn)PN 在4 個(gè)不同層級(jí)特征圖上滑動(dòng)錨點(diǎn)的總面積約為原始Faster R-CNN 滑動(dòng)錨點(diǎn)總面積的4 倍，但是，由此帶來的運(yùn)算量的增加仍然遠(yuǎn)小于7.6×109，可知二者的時(shí)間復(fù)雜度相近。同樣的，在空間復(fù)雜度方面，如果原始Faster R-CNN 與本文算法的骨干卷積網(wǎng)絡(luò)都使用ResNet-101[21]，二者的卷積核尺寸、通道數(shù)和網(wǎng)絡(luò)深度都相同。不同的是，本文算法使用4個(gè)尺度的共享特征圖，與原始Faster R-CNN單一尺度共享特征圖相比，特征圖所占內(nèi)存空間有所增加，但是增加的內(nèi)存空間遠(yuǎn)遠(yuǎn)小于ResNet-101骨干網(wǎng)絡(luò)中所有特征圖所占內(nèi)存空間之和，由此可知二者的空間復(fù)雜度幾乎相等。綜上所述，雖然FPN 使用了4 個(gè)尺度的特征圖，帶來的時(shí)間復(fù)雜度和空間復(fù)雜度有所提升，但是仍然在可以接受的范圍之內(nèi)。

根據(jù)當(dāng)前錨點(diǎn)與目標(biāo)實(shí)際位置的交并比（Inter‐section over Union，IoU），為錨點(diǎn)分配正負(fù)標(biāo)簽，用于訓(xùn)練RPN 網(wǎng)絡(luò)時(shí)使用。本文改進(jìn)的RPN 網(wǎng)絡(luò)分別在FPN 的每個(gè)層級(jí)上滑動(dòng)一個(gè)網(wǎng)絡(luò)頭用于檢測(cè)感興趣區(qū)域可能的位置，并且RPN 網(wǎng)絡(luò)頭部在所有FPN 層級(jí)上共享參數(shù)。實(shí)驗(yàn)[20]表明，各層級(jí)如果不共享參數(shù)，會(huì)得到類似的精度。所有層級(jí)的錨點(diǎn)用于訓(xùn)練一個(gè)相同的RPN 頭部，簡(jiǎn)化了網(wǎng)絡(luò)，并且使這個(gè)網(wǎng)絡(luò)頭部的訓(xùn)練樣本數(shù)量大幅增加。為了防止最終產(chǎn)生很多重疊建議框（Proposals），本文提出使用兩次NMS（非極大值抑制）算法。第一次使用NMS算法，在FPN 每一層的特征圖中，限制特定層級(jí)的單尺度重疊框；第二次使用NMS，是把FPN 所有層級(jí)的Proposals 匯集進(jìn)一個(gè)集合中，再次減少重疊的多尺度Proposals。根據(jù)置信度由高到低的順序，取排名靠前的Proposals 作為ROIs（Region of Interest，感興趣區(qū)域）。如果FPN 每一層單獨(dú)地使用不同的RPN 網(wǎng)絡(luò)，那么，得到的感興趣區(qū)域只能是當(dāng)前尺度的最優(yōu)ROIs，泛化性不夠；而如果直接把FPN 所有層級(jí)的anchors 匯集到一起進(jìn)行篩選，會(huì)占用大量的內(nèi)存，增加空間復(fù)雜度與時(shí)間復(fù)雜度。FPN 各個(gè)層級(jí)特征圖上的ROIs位置，可以通過坐標(biāo)的映射關(guān)系，對(duì)應(yīng)到原始圖像中的實(shí)際位置。在每個(gè)ROI 對(duì)應(yīng)的FPN 相應(yīng)層級(jí)上，使用感興趣區(qū)域池化操作（ROIPooling），提取相同大小的感興趣區(qū)域特征。ROIPooling 使用了最大池化，可以最大限度地保留ROIs 特征的豐富程度。而如果使用平均池化，更偏向于描述特征的平均分布情況，從而削弱ROIs 的特征信息。如果先歸一化ROIs 特征圖尺寸，再使用最大池化，會(huì)造成時(shí)間上的延遲，而且會(huì)對(duì)來自FPN的豐富語義信息造成干擾。最后，把提取到的ROIs 特征送入目標(biāo)檢測(cè)器，在FPN 不同層級(jí)上共享目標(biāo)檢測(cè)器的參數(shù)。實(shí)驗(yàn)[20]表明檢測(cè)器共享參數(shù)與否，會(huì)得到類似的精確度。

原始的Faster R-CNN 只使用單一尺寸的深層特征圖，分辨率較低，無法高精度檢測(cè)小目標(biāo)；而FPN特征金字塔的低層級(jí)特征圖兼具高語義信息和高分辨率，可以實(shí)現(xiàn)對(duì)小目標(biāo)、多尺度目標(biāo)的高精度檢測(cè)。

3.1 ResNet提取深層特征圖

提出的算法使用到的骨干卷積架構(gòu)是ResNet-101，組成ResNet-101 的一個(gè)構(gòu)建塊如圖2 所示。其中，1×1卷積層的作用是改變特征圖的通道數(shù)，3×3 卷積層的作用是提取特征信息。通過堆疊這種構(gòu)建塊，可以得到深層的ResNet-101 網(wǎng)絡(luò)。ResNet[21]（殘差網(wǎng)絡(luò)）卷積架構(gòu)有一個(gè)特點(diǎn)，它可以讓神經(jīng)網(wǎng)絡(luò)的卷積層數(shù)盡可能的多，從而提取到圖像中盡可能深層次的語義信息，便于對(duì)待檢測(cè)目標(biāo)進(jìn)行準(zhǔn)確的語義表達(dá)。這樣做就可以顯著提高目標(biāo)的檢測(cè)精確度。

圖2 ResNet-101的一個(gè)構(gòu)件塊

ResNet 系列的深層卷積架構(gòu)包含多個(gè)版本，比如ResNet-50、ResNet-101、ResNet-152 等。由于ResNet-50網(wǎng)絡(luò)的層數(shù)較淺，無法提取出目標(biāo)較深層次的特征，因此，在這里不選擇ResNet-50。而由于101層的殘差網(wǎng)絡(luò)ResNet-101，已經(jīng)可以提取出待檢測(cè)目標(biāo)足夠深層次的語義信息，可以對(duì)目標(biāo)進(jìn)行有效的表達(dá)，因此，在提出的算法中，不再選用ResNet-152，而是直接選用ResNet-101網(wǎng)絡(luò)提取目標(biāo)特征。這樣，就可以提取出目標(biāo)足夠深層次的語義信息，從而對(duì)目標(biāo)進(jìn)行準(zhǔn)確表達(dá)，而又不會(huì)給訓(xùn)練及測(cè)試神經(jīng)網(wǎng)絡(luò)所用的時(shí)間造成拖延，兼顧了訓(xùn)練神經(jīng)網(wǎng)絡(luò)所用的時(shí)間，以及通過訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)性能。

3.2 構(gòu)造FPN特征金字塔

Faster R-CNN 使用了兩階段的目標(biāo)檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)了對(duì)目標(biāo)的快速、準(zhǔn)確的檢測(cè)。但是，對(duì)于小目標(biāo)以及目標(biāo)尺度大幅變化的情況下，F(xiàn)aster R-CNN 的檢測(cè)精確度有待于提升。考慮到這一問題，把FPN多尺度特征圖金字塔，融合進(jìn)入高效的Faster R-CNN 目標(biāo)檢測(cè)框架之中，從而彌補(bǔ)了Faster R-CNN的弱點(diǎn)。

FPN 是專門針對(duì)多尺度目標(biāo)檢測(cè)而提出的檢測(cè)算法，其具體的算法流程圖如圖3所示。

圖3 FPN算法流程圖

如圖3 所示，F(xiàn)PN 網(wǎng)絡(luò)的輸入為任意大小的圖片，并將其送入CNN 卷積神經(jīng)架構(gòu)提取深層特征圖。隨著CNN 卷積層數(shù)的增加，在不同的特征圖層級(jí)上，分別輸出對(duì)應(yīng)成比例大小的特征圖，從而可以構(gòu)成特征圖金字塔。需要指出的是，F(xiàn)PN 不僅輸出多尺度的特征圖集合，還對(duì)不同層級(jí)的特征圖之間進(jìn)行了融合操作。其具體步驟是，F(xiàn)PN 通過把卷積神經(jīng)網(wǎng)絡(luò)中不同層次的特征圖，按照由深層到淺層的順序，把較深層特征圖的長(zhǎng)和寬依次放大至原來的2 倍大小，并與相應(yīng)較淺一層的特征圖進(jìn)行了加法運(yùn)算，從而可以實(shí)現(xiàn)對(duì)特征金字塔不同層級(jí)之間的特征圖融合。需要注意的是，隨著特征圖層次的加深，維度會(huì)發(fā)生改變，因此在融合特征圖時(shí)，要把原有的特征圖先進(jìn)行1×1的卷積，用于降低維度。

FPN 就是通過迭代對(duì)特征圖的加法運(yùn)算，使得較淺層次的特征圖，既具有較高的分辨率，又具有深層次的語義特征，從而可以實(shí)現(xiàn)對(duì)于多尺度目標(biāo)的高質(zhì)量檢測(cè)。

3.3 改進(jìn)RPN提取ROIs

在算法的具體實(shí)現(xiàn)過程中，首先把FPN 用在RPN階段，提取多尺度的感興趣區(qū)域ROIs。在FPN 特征金字塔的每個(gè)層級(jí)中，分別使用滑動(dòng)的錨點(diǎn)anchors 來提取ROIs，可以得到感興趣區(qū)域的得分，以及對(duì)應(yīng)感興趣區(qū)域的回歸位置。雖然改進(jìn)的RPN 階段中有多層特征圖，但是，這里并不把每一層分隔開，獨(dú)立地提取ROIs，而是把所有層得到的anchors 匯集到一個(gè)集合中，然后取其中分?jǐn)?shù)較高的區(qū)域作為ROIs。此階段的損失函數(shù)如下：

其中，i 表示在一個(gè)小的訓(xùn)練批次中anchors 的序號(hào)，pi是預(yù)測(cè)第i 個(gè)anchor 為目標(biāo)的概率用于區(qū)分正負(fù)錨點(diǎn)，ti表示RPN階段預(yù)測(cè)得到的邊界框表示目標(biāo)真實(shí)的邊界框位置，Ncls為訓(xùn)練的一個(gè)小批次的大小，Nreg是anchors 的數(shù)量，λ是平衡參數(shù)，用于平衡分類損失和回歸損失。Lcls1分類損失函數(shù)采用了指數(shù)損失，而Lreg1回歸損失函數(shù)則采用smooth L1損失。

由于來自特征金字塔的不同層次特征圖是多尺度的，所以，在這里只使用單一尺度的錨，文獻(xiàn)[20]也證明了，這樣做對(duì)多尺度目標(biāo)的檢測(cè)效果要高于原來的Faster R-CNN。

根據(jù)anchors 與目標(biāo)真實(shí)區(qū)域的交并比（IoU），錨點(diǎn)被區(qū)分為正錨點(diǎn)和負(fù)錨點(diǎn)。然而，當(dāng)輸入的圖片中只有小尺度目標(biāo)，并且目標(biāo)的數(shù)量也比較少的情況下，通過RPN 區(qū)域建議網(wǎng)絡(luò)得到的負(fù)錨點(diǎn)與正錨點(diǎn)的數(shù)量之比過大，這會(huì)讓神經(jīng)網(wǎng)絡(luò)提取到較多的背景語義信息，卻忽視了對(duì)于前景目標(biāo)的特征提取[14]，從而使訓(xùn)練得到的目標(biāo)檢測(cè)器更加偏向于對(duì)背景的識(shí)別，并減弱了對(duì)前景目標(biāo)的識(shí)別，進(jìn)而對(duì)最終的目標(biāo)檢測(cè)器造成干擾?；谶@個(gè)問題，進(jìn)一步限定了RPN 階段產(chǎn)生的正負(fù)anchors的數(shù)量比例，防止因?yàn)槠鋺沂獾牟罹喽绊懙阶罱K的目標(biāo)檢測(cè)，從而提高目標(biāo)檢測(cè)網(wǎng)絡(luò)的性能。

除此之外，由于提出的方法是基于人體目標(biāo)的檢測(cè)任務(wù)，因此，根據(jù)人體的形態(tài)特征，把錨點(diǎn)anchors 的縱橫比，在原來的1∶2、1∶1、2∶1基礎(chǔ)之上，增加了1∶3這個(gè)比例，進(jìn)而可以進(jìn)一步提升神經(jīng)網(wǎng)絡(luò)對(duì)人體目標(biāo)的檢測(cè)效率。

3.4 目標(biāo)檢測(cè)器

在提出的算法框架的第二階段，人體目標(biāo)檢測(cè)網(wǎng)絡(luò)中，也同樣使用了FPN 特征金字塔提取人體目標(biāo)特征。對(duì)于來自RPN 的ROIs，根據(jù)其尺度的大?。ㄩL(zhǎng)和寬），對(duì)應(yīng)到特征金字塔的相應(yīng)層級(jí)之上，然后進(jìn)一步提取出目標(biāo)的特征。由于FPN 階段已經(jīng)提取了足夠深層次的特征圖，因此，在這里僅使用ROIPooling 提取固定大小的目標(biāo)特征圖，并把最終得到的特征送入Fast R-CNN 的目標(biāo)檢測(cè)器。在目標(biāo)檢測(cè)器之前，設(shè)置了2 層全連接層，得到目標(biāo)的置信度，并對(duì)目標(biāo)區(qū)域進(jìn)行回歸。此階段的損失函數(shù)如下：

其中，p是預(yù)測(cè)目標(biāo)的置信度，u是目標(biāo)的真實(shí)類別，tu表示對(duì)應(yīng)u類別的預(yù)測(cè)邊界框，v表示對(duì)應(yīng)u類別的真實(shí)邊界框所在位置，Lcls2為分類損失，是對(duì)應(yīng)真實(shí)類別u的對(duì)數(shù)損失，δ是平衡參數(shù)，Lloc2是smooth L1回歸損失函數(shù)，[u ≥1]是等級(jí)指示函數(shù)，當(dāng)u ≥1時(shí)，等級(jí)指示函數(shù)值為1，否則，函數(shù)值為0，從而可以只對(duì)前景目標(biāo)計(jì)算邊界框損失，而不計(jì)算背景的回歸損失。

對(duì)于Fast R-CNN 階段的目標(biāo)檢測(cè)器，在FPN 特征金字塔的不同層級(jí)上是否共享參數(shù)，文獻(xiàn)[20]對(duì)比了這兩種情況，得到的結(jié)果表明二者的差別并不大。因此，本方法選擇共享不同層次特征金字塔層級(jí)之間的權(quán)值，從而提高對(duì)目標(biāo)檢測(cè)的效率。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本實(shí)驗(yàn)使用的Linux 系統(tǒng)版本是Ubuntu 16.04，服務(wù)器的硬件配置如下：CPU 使用的是Intel?Xeon?CPU E5-2678 v3@2.50 GHz，GPU 使用的是NVIDIA GeForce GTX 1080 Ti，內(nèi)存為32 GB。實(shí)驗(yàn)使用的深度學(xué)習(xí)框架是TensorFlow-gpu 1.10，為了提高GPU 利用率，使用了CUDA 8.0，以及cuDNN 6.0。在實(shí)驗(yàn)中所使用的Python庫(kù)為Anaconda 3，Python版本為3.5。

在人體目標(biāo)檢測(cè)的實(shí)驗(yàn)中，使用了INRIA、Caltech和PETS 2009 這三個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集。其中，INRIA 數(shù)據(jù)集官方給出的數(shù)據(jù)標(biāo)注不完全，而且，正樣本數(shù)量不足2 000 張，這些都對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練造成困難。Caltech數(shù)據(jù)集中存在非常多的小尺度的人體目標(biāo)，并且環(huán)境場(chǎng)景變換頻繁，暗場(chǎng)景和光照變化等因素均影響目標(biāo)檢測(cè)的精確度。在PETS 2009數(shù)據(jù)集中，人與人之間經(jīng)常會(huì)存在互相遮擋的情況，而且存在較多的小目標(biāo)，目標(biāo)的尺度有時(shí)會(huì)存在巨大的差異，這些都對(duì)數(shù)據(jù)集人體目標(biāo)的精確檢測(cè)帶來難度。

4.2 訓(xùn)練結(jié)果及分析

實(shí)驗(yàn)以Faster R-CNN 為基線，使用FPN 每一層級(jí)的特征圖分別預(yù)測(cè)人體目標(biāo)所在位置，從而解決對(duì)多尺度目標(biāo)的檢測(cè)問題。在此基礎(chǔ)上，本實(shí)驗(yàn)對(duì)RPN 中正負(fù)anchors 的數(shù)量比例進(jìn)行了平衡，防止其差距過大而影響檢測(cè)器性能。對(duì)于人體目標(biāo)的形狀，采取了更適合的錨點(diǎn)縱橫比，比如，增加了3∶1 的縱橫比，針對(duì)人體目標(biāo)進(jìn)行更高效的檢測(cè)。通過使用上述方法，本實(shí)驗(yàn)實(shí)現(xiàn)了在PETS 2009、Caltech 和INRIA 三個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上的高質(zhì)量人體目標(biāo)檢測(cè)。其中，在Caltech 數(shù)據(jù)集上，達(dá)到了高于Shao等人在CVPR2018論文[22]的實(shí)驗(yàn)結(jié)果。

本節(jié)以Caltech 數(shù)據(jù)集為例，詳細(xì)描述了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，并且結(jié)合使用了TensorFlow 的可視化工具Tensorboard來進(jìn)行闡述。

首先，F(xiàn)PN 網(wǎng)絡(luò)的每一層特征圖的可視化結(jié)果對(duì)比如圖4。

圖4 FPN網(wǎng)絡(luò)每一層級(jí)特征圖的對(duì)比

圖4 （a）為特征提取網(wǎng)絡(luò)中所選擇的第2～5 層的特征圖輸出，自下而上分別對(duì)應(yīng)C2～C5層特征圖，圖4（b）是使用FPN 后得到的第2～5 層的輸出，自下而上分別為P2～P5層特征圖。通過對(duì)比原始特征圖集合，與使用FPN 后得到的特征圖集合，可以發(fā)現(xiàn)，雖然二者在高層級(jí)特征圖中（比如，C5和P5）所包含語義信息的豐富程度差別不大，但是在低層級(jí)特征圖中（比如，C2和P2），后者所包含語義信息的豐富程度，要遠(yuǎn)遠(yuǎn)高于前者。

在改進(jìn)后的RPN 階段，樣例圖片中正負(fù)錨點(diǎn)的位置如圖5所示，圖5（a）為負(fù)錨點(diǎn)所在位置，圖5（b）為正錨點(diǎn)所在位置，可以看出，改進(jìn)后的正負(fù)錨點(diǎn)的數(shù)目差距并不大。通過提取IoU較高的一組正錨點(diǎn)作為Proposals輸入到Faster R-CNN的第二階段目標(biāo)檢測(cè)階段[14]。

圖5 樣例圖片的正錨點(diǎn)與負(fù)錨點(diǎn)

為了更清楚地看到訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到的損失函數(shù)值，在局部時(shí)間范圍內(nèi)的變化幅度，以及損失函數(shù)的總體變化趨勢(shì)，這里對(duì)損失函數(shù)原始的曲線圖進(jìn)行了一定程度的平滑處理，使其兼具局部變化幅度和總體變化趨勢(shì)。

在原始圖像輸入RPN 網(wǎng)絡(luò)時(shí)，可以得到感興趣區(qū)域ROIs，以及對(duì)應(yīng)ROIs 的得分。FPN 的使用讓RPN 階段包含4個(gè)尺度的特征圖，分別對(duì)應(yīng)為4個(gè)層次，在每一層得到的ROIs 的數(shù)量如圖6 所示，依次對(duì)應(yīng)FPN 由淺到深的P2至P5層特征圖的ROIs數(shù)量。

圖6 多層特征圖的ROIs的數(shù)量

圖7 RPN階段的損失值

圖8 第二階段人體目標(biāo)檢測(cè)的損失值

從圖6可以看到，低層級(jí)特征圖的ROIs數(shù)量遠(yuǎn)高于高層級(jí)特征圖的ROIs數(shù)量，并且隨層級(jí)的提升，ROIs的數(shù)量遞減。產(chǎn)生這個(gè)現(xiàn)象的原因是，在訓(xùn)練所用的數(shù)據(jù)集中，小尺度目標(biāo)的數(shù)量明顯多于大尺度目標(biāo)，這也是用Caltech 數(shù)據(jù)集進(jìn)行人體目標(biāo)檢測(cè)，具有一定挑戰(zhàn)性的原因。

改進(jìn)后的RPN 階段各項(xiàng)損失函數(shù)值的變化，如圖7所示。圖7（a）是RPN 階段的分類損失曲線，圖7（b）是RPN 階段邊界框回歸損失曲線，圖7（c）是RPN 階段的總損失。

圖7 的三個(gè)曲線圖的共同特點(diǎn)是，RPN 損失函數(shù)值雖然會(huì)隨訓(xùn)練迭代次數(shù)的增加而有些許浮動(dòng)，但是總體的趨勢(shì)是下降的，RPN 階段的總損失值從0.12 下降至0.02 左右?？梢钥闯?，訓(xùn)練得到的ROIs 區(qū)域建議網(wǎng)絡(luò)，對(duì)人體目標(biāo)感興趣區(qū)域的提取能力得到了增強(qiáng)。

對(duì)于得分高的ROIs，將其送入第二階段的Fast R-CNN目標(biāo)檢測(cè)框架，神經(jīng)網(wǎng)絡(luò)輸出兩個(gè)損失：分類損失和邊界框回歸損失。二者的變化情況如圖8所示。

圖8（a）是Fast R-CNN階段的分類損失曲線，圖8（b）是Fast R-CNN 階段的邊界框回歸損失曲線，圖8（c）為Fast R-CNN 階段的總損失曲線。與RPN 階段類似的，三條曲線隨訓(xùn)練神經(jīng)網(wǎng)絡(luò)迭代次數(shù)的增加而不斷波動(dòng)，但是總體趨勢(shì)都是下降的，F(xiàn)ast R-CNN 階段的總損失從0.9降低至0.2左右。由此可知，目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)人體目標(biāo)的檢測(cè)能力，逐漸擬合于訓(xùn)練所用的數(shù)據(jù)集。

實(shí)驗(yàn)中整個(gè)神經(jīng)網(wǎng)絡(luò)的總體損失函數(shù)值的變化情況如圖9 所示。隨迭代訓(xùn)練次數(shù)的增加，整個(gè)神經(jīng)網(wǎng)絡(luò)的總體損失值從1.7 下降至0.8，可以看到，神經(jīng)網(wǎng)絡(luò)對(duì)人體目標(biāo)的檢測(cè)性能得到了加強(qiáng)。

圖9 神經(jīng)網(wǎng)絡(luò)總體的損失值

為了防止訓(xùn)練的神經(jīng)網(wǎng)絡(luò)過擬合，在這里設(shè)置了權(quán)重衰減量，讓神經(jīng)網(wǎng)絡(luò)的更新權(quán)重隨訓(xùn)練的迭代次數(shù)的增加而逐漸減小。在整個(gè)訓(xùn)練過程中，權(quán)重的變化情況如圖10所示，更新的權(quán)重大小由原來的0.627降低至0.581。

4.3 檢測(cè)結(jié)果及分析

本節(jié)使用的樣例圖片的場(chǎng)景來自上述三個(gè)數(shù)據(jù)集，對(duì)作為基線的Faster R-CNN，以及提出的方法，分別進(jìn)行了測(cè)試，得到了不錯(cuò)的結(jié)果。

圖10 神經(jīng)網(wǎng)絡(luò)的權(quán)重衰減

圖11 （a）是使用Faster R-CNN 得到的檢測(cè)結(jié)果，圖11（b）是提出的算法得到的檢測(cè)結(jié)果?？梢钥吹?，在小目標(biāo)、尺度劇烈變化、目標(biāo)互相遮擋、暗光照和復(fù)雜背景等條件下，提出的算法可以對(duì)人體目標(biāo)進(jìn)行高質(zhì)量的檢測(cè)，并且效果優(yōu)于Faster R-CNN。

圖11 Faster R-CNN與本文算法的檢測(cè)結(jié)果對(duì)比1

類似的，圖12（a）是Faster R-CNN 的檢測(cè)結(jié)果，圖12（b）是本文算法得到的檢測(cè)結(jié)果。可以看出，提出的方法，在小目標(biāo)、暗場(chǎng)景、環(huán)境光照變化、復(fù)雜背景以及目標(biāo)相互遮擋的條件下，都高于Faster R-CNN 的檢測(cè)精度。尤其是在目標(biāo)大尺度變化的情況，仍然可以進(jìn)行高精度的檢測(cè)。

通過對(duì)比上述兩種方法的樣例檢測(cè)結(jié)果，可以發(fā)現(xiàn)，雖然Faster R-CNN 已經(jīng)可以得出比較高的平均檢測(cè)精確度，但是使用提出的方法，可以得到明顯高于基線Faster R-CNN 的檢測(cè)結(jié)果。尤其是對(duì)于小尺度目標(biāo)，以及尺度劇烈變化的目標(biāo)，該方法可以實(shí)現(xiàn)遠(yuǎn)高于Faster R-CNN的檢測(cè)結(jié)果，具有更高的魯棒性。

4.4 實(shí)驗(yàn)結(jié)果對(duì)比

圖12 Faster R-CNN與本文算法的檢測(cè)結(jié)果對(duì)比2

使用基線Faster R-CNN，以及提出的人體目標(biāo)檢測(cè)方法，分別用于PETS 2009、Caltech 和INRIA 這三個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，并參考了計(jì)算機(jī)視覺頂級(jí)會(huì)議CVPR2018 文獻(xiàn)[22]在Caltech 數(shù)據(jù)集上得到的實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)是平均精確度（Average Precision），即，PR（Precision-Recall）曲線的下面積。這種評(píng)價(jià)指標(biāo)的優(yōu)點(diǎn)是，通過結(jié)合不同閾值條件下的Precision-Recall二元組，得到目標(biāo)檢測(cè)精確度的綜合指標(biāo)AP，而不是片面地追求recall，或者片面追求precision。如表1 所示，上述三個(gè)數(shù)據(jù)集，分別用于基線Faster R-CNN 與提出的算法，以及CVPR2018 文獻(xiàn)[22]得到的平均精確度結(jié)果進(jìn)行了對(duì)比。

表1 使用基線Faster R-CNN和本文方法的平均精確度%

從表1可以看出，基線Faster R-CNN在PETS 2009、Caltech 和INRIA 數(shù)據(jù)集上分別可以達(dá)到90.7%、71.1%和85.0%的平均精確度。接著，以Faster R-CNN 為基礎(chǔ)，探索了使用FPN 提取人體目標(biāo)特征，并通過相關(guān)優(yōu)化算法達(dá)到了更高的人體目標(biāo)檢測(cè)結(jié)果。

同樣地，提出的算法也使用了PETS 2009、Caltech和INRIA 這三個(gè)數(shù)據(jù)集來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。通過表1 可以看出，PETS 2009和INRIA 兩個(gè)數(shù)據(jù)集分別可以達(dá)到96.5%和88.6%的平均精確度AP，與Faster R-CNN 相比都得到了大幅度提升。而對(duì)于Caltech 數(shù)據(jù)集，本算法可以達(dá)到91.1%的平均精確度，相比Faster R-CNN的71.1%提升了20%，實(shí)現(xiàn)了遠(yuǎn)高于Faster R-CNN 的實(shí)驗(yàn)結(jié)果。與此同時(shí)，91.1%的平均精確度也確實(shí)超越了2018 年CVPR 中的文獻(xiàn)[22]在Caltech 上的平均精確度89.95%，這也是提出算法的一個(gè)突破之處。

5 總結(jié)

提出了基于Faster R-CNN 框架，使用FPN 提取多尺度目標(biāo)特征，并對(duì)整體的神經(jīng)網(wǎng)絡(luò)進(jìn)行了一系列的優(yōu)化調(diào)整，從而實(shí)現(xiàn)對(duì)多尺度人體目標(biāo)的高質(zhì)量檢測(cè)。將該方法分別用于INRIA、Caltech 和PETS 2009 這三個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上，達(dá)到了較好的檢測(cè)效果，實(shí)現(xiàn)了明顯高于使用Faster R-CNN進(jìn)行目標(biāo)檢測(cè)的實(shí)驗(yàn)結(jié)果。

同時(shí)，本文方法在Caltech 數(shù)據(jù)集上得到的平均精確度，取得了高于計(jì)算機(jī)視覺頂級(jí)會(huì)議CVPR2018 文獻(xiàn)[22]中的實(shí)驗(yàn)結(jié)果，作為論文的一個(gè)突破點(diǎn)。