一種改進YOLOv3的手勢識別算法

睢丙東 張湃 王曉君

摘 要：為了解決YOLOv3算法在手勢識別中存在識別精度低及易受光照條件影響的問題，提出了一種改進的YOLOv3手勢識別算法。首先，在原來3個檢測尺度上新增加1個更小的檢測尺度，提高對小目標的檢測能力;其次，以DIoU代替原來的均方差損失函數作為坐標誤差損失函數，用改進后的Focal損失函數作為邊界框置信度損失函數，目標分類損失函數以交叉熵作為損失函數。結果表明，將改進的YOLOv3手勢識別算法用于手勢檢測中，mAP指標達到90.38%，較改進前提升了6.62%，FPS也提升了近2倍。采用改進的YOLOv3方法訓練得到的新模型，識別手勢精度更高，檢測速度更快，整體識別效率大幅提升，平衡了簡單樣本和困難樣本的損失權重，有效提高了模型的訓練質量和泛化能力。

關鍵詞：計算機神經網絡;YOLOv3;目標檢測;手勢識別;DIoU;Focal損失函數

中圖分類號：TP391.9?文獻標識碼：A

文章編號：1008-1542（2021）01-0022-08

YOLOv3是一種多目標檢測算法[1]，具有識別速度快、準確率高等優點，廣泛用于目標檢測中[2]。手作為信息表達的重要組成部分，近年來成為人們研究的重點[3]。隨著人工智能技術的發展，越來越多的學者利用神經網絡進行手勢識別[4]。其中YOLOv3以其出色的檢測性能，被應用在手勢檢測領域。例如：羅小權等[5]采用改進的K-means聚類算法，提高了YOLOv3對火災的檢測能力;陳俊松等[6]利用改進的YOLOv3特征融合方法，實現了對筷子毛刺的檢測;張強[7]提出了基于YOLOv3的實時人手檢測方法，通過改進anchor參數，快速檢測出測試者擺出的手勢;毛騰飛等[8]通過改進的YOLOv3檢測尺度，實現了對人手功能的實時檢測。

本文提出一種基于改進YOLOv3的手勢識別算法，通過增加YOLOv3的檢測尺度、改進位置損失函數和邊界框置信度損失函數，得到檢測效果更好的算法，以解決手勢識別的相關問題。

1?YOLOv3算法介紹

1.1?YOLOv3模型

YOLOv3由卷積層（convolution layers）、批標準化層（batch normalization， BN）、激活層（leaky relu）組成[9]，引入殘差塊結構，在很大程度上提升了網絡訓練速度和效率[10]。YOLOv3主體網絡為darknet-53，相比于ResNet-152和ResNet-101，具有更出色的特征提取能力。采用該神經網絡對輸入圖像進行特征提取，利用特征金字塔（feature pyramid networks，FPN）進行融合[11]，采用步長為2的卷積進行降采樣，分別在32，16，8倍降采樣處檢測目標。

FPN架構如圖1所示。將圖像輸入到網絡模型后進行卷積操作，為了使Layer4和Layer2具有相同的尺度，對Layer2降低維度，接著對Layer4進行上采樣操作，然后將這2層的特征進行融合[12]。將融合后的結果輸入到Layer5中，這樣就會獲得一條更具表達力的語義信息。YOLOv3網絡按照FPN架構融合了淺層和深層的特征信息[13]，可以獲得更多圖片特征，檢測效果更好。

運用該模型檢測手勢時，首先將手勢圖像按13×13，26×26，52×52網格大小進行劃分，每個網格分配3個候選框，然后計算候選框與真值框的重合程度及置信度大小，最后對比候選框的得分值，分值最高的候選框即為模型預測手勢結果。

1.2?損失函數

YOLOv3算法的損失函數[14]由3部分組成：均方差（mean square error， MSE）損失函數作為坐標誤差損失函數，交叉熵損失函數作為置信度和類別的損失函數，損失函數如式（1）所示：

2?改進的YOLOv3算法

2.1?增加模型檢測尺度

針對人手大小不一會導致檢測效果不佳的問題，在原來3個檢測尺度基礎上，結合FPN思想增加至4個檢測尺度，以此提高小目標人手的檢測能力。改進后的YOLOv3檢測尺度分別為13×13，26×26，52×52，104×104。

改進后的YOLOv3網絡結構如圖2所示，圖2中粗體標注的為104×104檢測尺度。在YOLOv3網絡中通過多卷積操作后，將52×52的特征層上采樣操作變換成104×104，使之與上一層具有相同的特征尺寸，然后將該層與104×104特征層進行融合，得到一個表達能力更強的語義信息。

改進后的YOLOv3網絡有4個檢測尺度，每個檢測尺度均融合了低層細節信息和深層語義信息，同時可以進行單獨預測，因此改進后的檢測網絡具有更為出色的檢測能力。

2.2?改進損失函數

在目標檢測中常用IoU（intersection over union）衡量預測框和真實框的重合程度[16]。一般認為，該值越大，兩框的重合程度越好，算法檢測精度越高，反之則越差[17]。

經大量實驗發現，以均方誤差作為坐標誤差損失函數存在以下缺點：一是IoU越大，并不一定代表預測框與真值框重合程度越好，通過圖3可以看出IoU相同時，2個框的重合程度并不一樣;二是損失函數沒有將檢測目標和錨框之間的中心距離、重疊率及尺度考慮進去。

2.2.1?改進坐標誤差損失函數

針對以上不足，本文采用DIoU作為坐標誤差損失函數[18]，DIoU將預測框和真值框之間的距離、重疊率以及尺度均加以考慮。DIoU計算過程如下：

式中：R1，R2分別代表預測框中心和真值框中心;L為R1和R2間的歐氏距離;c，Ag，Ap，I分別代表預測框和真值框的最小閉包區域的對角線距離、真值框的面積、預測框的面積及重疊面積。

DIoU損失的計算如式（4）所示：

DIoU作為損失函數，一是可以直接最小化預測框和真值框之間的歸一化距離，使收斂速度更快;二是當預測框與真值框不重疊時，仍然可以為預測框提供移動方向;三是2個框在水平和垂直方向上時，DIoU回歸速度非常快;四是在非極大值抑制評估中，DIoU可以代替IoU，使NMS得到更加合理及有效的結果。

2.2.2?改進置信度損失函數

為了解決樣本不平衡問題，LIN等[19]提出了Focal損失函數。為進一步提高YOLOv3的檢測精度，本文采用改進的Focal損失函數作為置信度損失函數。Focal損失函數能夠在模型訓練過程中通過增大困難樣本權重的方法，有效解決樣本不平衡問題[20]，使訓練模型具有更佳的檢測效果。Focal損失函數如式（5）所示：

式中：γ為聚焦參數，是一個大于0的超參數;αt為平衡參數，也是一個超參數，用來控制正負樣本對總損失的權重，平衡多類別樣本數量;pt為標簽預測概率。

式（5）中αt和γ這2個參數一般由人為規定，但是如果設定的數值不貼合數據集，訓練效果反而不好[21]。針對這一問題，本文根據數據集確定該參數，確定過程如下。

1） 確定平衡參數αt

本文樣本有5個類別，為了對困難樣本加大損失函數權重，同時減小容易樣本的損失權重，根據各類樣本數量來縮放分類損失大小。計算思路為權重設定的目標要使任意2個類別樣本數量和這2個類別的權重成反比，如式（6）所示：

式中：N為樣本類別總數;mi為第i類樣本數量;第i類的平衡參數αi等于類別權重值的大小。這樣平衡參數能夠較好地均衡樣本數量大小對應的損失值。

2） 確定聚焦參數γ

通過大量實驗發現，在模型訓練初期，使用Focal損失函數的模型訓練精度低于使用交叉熵損失函數時的精度[19]。為此本文采用每N輪訓練后調整1次γ值的方法，調整方式如式（7）所示：

綜上所述，本文以DIoU代替原來的均方差損失函數作為坐標誤差損失函數，用改進后的Focal損失函數作為邊界框置信度損失函數，目標分類損失函數以交叉熵作為損失函數。因此，YOLOv3損失函數如式（8）所示：

式中CE表示交叉熵損失函數。DIoU損失作為目標框坐標回歸損失，將預測框和真值框之間的距離、重疊率以及尺度均考慮進去，在很大程度上提高了目標框回歸速度。在邊界框置信度交叉熵損失函數的基礎上加入焦點損失函數，顯著平衡了簡單樣本和困難樣本的損失權重，有效提高了模型的訓練質量和泛化能力。

3?實驗及結果

3.1?數據集

為了使數據集更加豐富，本文在盡可能多的自然場景下采集手勢圖像，手勢1到手勢5各自采集500張圖片，采用Labelimg工具標記手勢目標制作數據集[23]。為了充分利用樣本圖片，對圖片進行30°，60°，90°，180°，270°旋轉、垂直和水平翻轉，并以0.4，0.6，0.8的因子縮小圖片[24]。對圖片隨機增強亮度，增強范圍為0.1～2，并對樣本圖片適當增加椒鹽噪聲，對樣本數據增強后獲得14 500張訓練圖片。

3.2?實驗平臺與評價指標

采用CPU為英特爾i7-7700HQ、英偉達GTX1060顯卡訓練模型，交互語言為python3.6，使用CUDA9.0和CUDNN7.4加速訓練過程。在訓練網絡模型階段，使用的部分參數batch size為16，圖片大小為416×416，迭代輪數20 000，IoU閾值為0.5。

目標檢測中常用以下指標衡量模型訓練效果：Precision（查準率）、Recall（召回率）、AP（平均精度）和mAP（平均精度均值）[25]，如式（9）—式（12）所示：

式中：TP（ture positive）表示分類器正確預測的正樣本;FN（false negative）表示分類器錯誤預測的負樣本;FP（false positive）表示分類器錯誤預測的正樣本;n為采樣P-R對，k為樣本類別數（本文為5）。

3.3?結果分析

采用改進后的YOLOv3算法與傳統YOLOv3，SSD300，Faster R-CNN經典多尺度目標檢測算法[26]對每個類別AP值進行對比，結果如表1所示。同時，對比各算法的幀率（frames per second，FPS）、mAP和達到Loss閾值的迭代次數，結果如表2所示，各算法檢測手勢效果如圖4所示。

由表1和表2分析可知，改進后的YOLOv3算法mAP能夠達到90.38%，相對于傳統YOLOv3，SSD300，Faster R-CNN分別提高了6.62%，11.18%和0.28%，并且每個類別的檢測精度均大于傳統YOLOv3和SSD300算法。從檢測速度上分析，改進后的YOLOv3算法FPS比改進前提升近2倍，但和SSD300相比還有不少差距。分析迭代次數可知，改進后的算法在訓練時損失函數收斂速度更快。

從圖4可以看出，改進后的算法在檢測效果和檢測精度上表現更加出色，因為手勢1和手勢2可能存在遮擋問題，導致個別誤檢，但是整體識別效率有了大幅度提升，模型具有較高的泛化能力和魯棒性。

4?結?語

1）本文針對手勢檢測中存在精度和速度無法兼顧的問題，以YOLOv3為檢測框架，在原來檢測尺度上增加一個檢測尺度，提高小目標的檢測能力。采用DIoU作為坐標誤差損失函數，并用改進后的Focal損失函數代替交叉熵損失函數作為邊界框置信度損失函數。

2）實驗結果表明，本文改進的YOLOv3模型在檢測精度上有了明顯提升，并且檢測速度幾乎相同，能夠有效識別檢測者的手勢。但是增加一個檢測尺度后，模型的訓練速度會變慢，并且當真值框和目標框距離過遠時，DIoU無法為候選框提供移動方向。因此，未來將深入探究如何在增加檢測尺度時不減慢模型的訓練速度，同時嘗試采用CIoU代替DIoU作為損失函數。

參考文獻/Reference：

[1]?LIU Jun， WANG Xuewei. Early recognition of tomato gray leaf spot disease based on MobileNetv2-YOLOv3 model[J]. Plant Methods，2020， 16（11）：612-231.

[2]?YU Yuan， REN Jinsheng， ZHANG Qi， et al. Research on tire marking point completeness evaluation based on K-means clustering image segmentation[J]. Sensor， 2020， 20（17）：4687-4697.

[3]?WILLIAMS E H，LAURA B， DOWNING P E，et al. Examining the value of body gestures in social reward contexts[J]. Neurolmage，2020， 222：117276-117286.

[4]?HU Wei， ZHU Quanxin. Moment exponential stability of stochastic delay systems with delayed impulse effects at random times and applications in the stabilisation of stochastic neural networks[J].International Journal of Control， 2020， 93（10）：2505-2515.

[5]?羅小權，潘善亮.改進YOLOv3的火災檢測方法[J].計算機工程與應用2020，56（17）：187-196.

LUO Xiaoquan， PAN Shanliang. Improved YOLOv3 fire detection method[J].Computer Engineering and Applications， 2020， 56（17）：187-196.

[6]?陳俊松，何自芬，張印輝.改進YOLOv3算法的筷子毛刺缺陷檢測方法[J].食品與機械，2020，36（3）：133-138.

CHEN Junsong，HE Zifen，ZHANG Yinhui.Defect detection method of chopsticksbased on improved YOLOv3 algorithm[J].Food & Machinery，2020，36（3）：133-138.

[7]?張強. 基于改進YOLOv3的手勢識別方法研究[D].合肥：合肥工業大學，2019.

ZHANG Qiang.Hand Gesture Recognition Approach Research Basedon Improved YOLOv3[D].Hefei：Hefei University of Technology，2019.

[8]?毛騰飛，趙曙光.基于改進YOLOv3的實時人手檢測算法[J].現代計算機，2020（5）：57-60.

MAO Tengfei，ZHAO Shuguang.Real-time hand detection algorithm based on improved YOLOv3[J].Modern Computer，2020（5）：57-60.

[9]?WILLIAMS A S， ORTEGA F R. Understanding multimodal user gesture and speech behavior for object manipulation in augmented reality using elicitation[J]. IEEE Transactions on Visualization and Computer Graphics， 2020，doi：10.1109/TVCG.2020.3023566.

[10]THOMSEN J L D， MARTY A P， SHIN W， et al. Barriers and aids to routine neuromuscular monitoring and consistent reversal practice：A qualitative study[J]. Acta Anaesthesiologica Scandinaviva， 2020， 64（8）：1089-1099.

[11]LI Qiaoliang， LI Shiyu， LIU Xinyu， et al. FecalNet： Automated detection of visible components in human feces using deep learning[J]. Medical Physics， 2020， 47（9）：4212-4222.

[12]LI Qiaoliang， YU Zhigang， QI Tao， et al. Inspection of visible components in urine based on deep learning[J]. Medical Physics， 2020， 47（7）：2937-2949.

[13]NURI E O， KAPLAN G， ERDEM F， et al. Tree extraction from multi-scale UAV images using mask R-CNN with FPN[J]. Remote Sensing Letters， 2020， 11（9）：847-856.

[14]LUO Ze， YU Huiling， ZHANG Yizhuo. Pine cone detection using boundary equilibrium generative adversarial networks and improved YOLOv3 model[J]. Sensors， 2020， 20（16）：doi：10.3390/s20164430.

[15]ZHANG Xiaoguo， GAO Ye， WANG Huiqing， et al. Improve YOLOv3 using dilated spatial pyramid module for multi-scale object detection[J].International Journal of Advanced Robotic Systems， 2020， 17（4）：doi：10.1177/1729881420936062.

[16]KUZNETSOVA A， MALEVA T， VLADIMIR S. Using YOLOv3 algorithm with pre-?and post-processing for apple detection in fruit-harvesting robot[J]. Agronomy， 2020， 10（7）：doi：10.3390/agronomy10071016.

[17]HAN Fenglei， YAO Jingzheng， ZHU Haitao， et al. Underwater image processing and object detection based on deep CNN method[J]. Journal of Sensors， 2020，doi：10.1155/2020/6707328.

[18]WU Xiongwei， SAGOO D， ZHANG Daoxin， et al. Single-shot bidirectional pyramid networks for high-quality object detection[J]. Neurocomputing， 2020， 401：1-9.

[19] LIN T Y， GOYAL P， GIRSHICK R， et al. Focal loss for dense object detection[C]//Proceedings of the IEEE International Conference on Computer Vision. [S.l.]：[s.n.]：2017.2980-2988.

[20]AGHDASSI A， TRAN Q T， BULLA T， et al. Focal pancreatic lesions in autoimmune pancreatitis and weight loss[J].Gut， 2020，doi：10.1136/gutjnl-2020-321987.

[21]LI Dongdong， WEN Gongjian， KUAI Yangliu， et al. Robust visual tracking with channel attention and focal loss[J]. Neurocomputing， 2020， 401：295-307.

[22]PERSSON D， HEYDARI G， EDVINSSON C， et al. Depth-resolved FTIR focal plane array （FPA） spectroscopic imaging of the loss of melamine functionality of polyester melamine coating after accelerated and natural weathering[J]. Polymer Testing， 2020， doi：10.1016/j.polymertesting.2020.106500.

[23]YAO Shangjie， CHEN Yaowu， TIAN Xiang， et al. An improved algorithm for detecting pneumonia based on YOLOv3[J]. Applied Sciences， 2020， 10（5）：doi：10.3390/app10051818.

[24]GERLACH S， CHRISTOPH F， HOFMANN T， et al. Multicriterial CNN based beam generation for robotic radiosurgery of the prostate[J].Current Directions in Biomedical Engineering， 2020， 6（1）：doi：10.1515/cdbme-2020-0030.

[25]LI Min， ZHANG Zhijie， LEI Liping， et al. Agricultural greenhouses detection in high-resolution satellite images based on convolutional neural networks： Comparison of faster R-CNN， YOLOv3 and SSD[J]. Sensors， 2018， 10：131-152.

[26]王慧. 基于改進Faster R-CNN的安全帽檢測及身份識別[D]. 西安：西安科技大學， 2020.

WANG Hui. Safety Helmet Detection and Identification Based on Improved Faster R-CNN[D]. Xi′an： Xi′an University of Science and Technology， 2020.