基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)周界異物檢測(cè)論述

孫振浩，張殿生，董嫘嫘，張 政，阮士峰

（1 武漢科技大學(xué)資源與環(huán)境工程學(xué)院 湖北 武漢 430000）

（2 安陽工學(xué)院飛行學(xué)院 河南 安陽 455000）

0 引言

近年來，隨著人們生活質(zhì)量的不斷提升，民航客機(jī)在交通運(yùn)輸中的比重逐步上升。 民航飛行安全成為人們?nèi)找骊P(guān)注的話題。 機(jī)場(chǎng)作為提供飛機(jī)安全、有序、高效運(yùn)行的場(chǎng)所，其安全性在飛行安全中占有極大比重。 《民用運(yùn)輸機(jī)場(chǎng)安全保衛(wèi)設(shè)施》（MH／T7003－2017）［1］于2017 年頒布，規(guī)定需在飛機(jī)活動(dòng)區(qū)域周邊建設(shè)與公眾活動(dòng)區(qū)相分離的實(shí)體邊界和輔助設(shè)施，并且提出了推進(jìn)以人臉識(shí)別技術(shù)為代表的智能化機(jī)場(chǎng)建設(shè)的要求。 同時(shí)，文件［1］中還提出視頻監(jiān)控系統(tǒng)在大場(chǎng)景跟蹤、卡口等場(chǎng)景下的目標(biāo)檢測(cè)和識(shí)別需要達(dá)到新的高度。

傳統(tǒng)的機(jī)場(chǎng)周界監(jiān)測(cè)技術(shù)包括：監(jiān)控探頭、振動(dòng)電纜、脈沖電子?xùn)艡凇⒓t外成像、地下電纜探傷等［2］。 傳統(tǒng)監(jiān)控技術(shù)可以有效地防止異物入侵，提高機(jī)場(chǎng)的安全性，可以在一定程度上實(shí)現(xiàn)監(jiān)測(cè)功能，有效的防止異物入侵，但也存在各種各樣的局限性，如監(jiān)視器必須要有安保人員全天候?qū)崟r(shí)查看，且不能自動(dòng)發(fā)出警報(bào)；振動(dòng)電纜易于翻越，易受到氣候及其他因素的干擾而產(chǎn)生誤報(bào)；具有穩(wěn)定性和魯棒性較差、誤檢率高和實(shí)時(shí)性較差等缺點(diǎn)。

因此，如何有效防止機(jī)場(chǎng)周界異物入侵事件的發(fā)生成為機(jī)場(chǎng)安全管理領(lǐng)域的重點(diǎn)研究課題，本文在機(jī)場(chǎng)周界場(chǎng)景的基礎(chǔ)上，梳理和總結(jié)現(xiàn)有的入侵檢測(cè)技術(shù)，重點(diǎn)從檢測(cè)速度和精確度兩個(gè)角度出發(fā)，對(duì)基于深度學(xué)習(xí)的各種入侵檢測(cè)方法進(jìn)行介紹。

1 入侵檢測(cè)

機(jī)場(chǎng)周界異物入侵指的是不屬于機(jī)場(chǎng)內(nèi)部的外來人員或物品，如不明飛行物、無關(guān)人員等，以非常規(guī)途徑進(jìn)入機(jī)場(chǎng)周界以內(nèi)，或出現(xiàn)在不該出現(xiàn)的位置，如飛鳥沖入跑道、旅客誤入禁區(qū)等，直接或間接地對(duì)機(jī)場(chǎng)的安全性造成較大影響。 基于機(jī)場(chǎng)周界場(chǎng)景下的入侵檢測(cè)指的是結(jié)合監(jiān)控設(shè)施，應(yīng)用各種目標(biāo)檢測(cè)算法，對(duì)所有的目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)，并對(duì)其進(jìn)行分類和識(shí)別。 判斷發(fā)生異物入侵的可能性，可能性大于閾值則立刻發(fā)出警報(bào)并實(shí)時(shí)監(jiān)控其位置及行為信息以保障機(jī)場(chǎng)起飛、降落等功能的正常運(yùn)行。 基于機(jī)場(chǎng)周界場(chǎng)景下的入侵檢測(cè)主要存在以下問題和挑戰(zhàn)：

（1）機(jī)場(chǎng)周界區(qū)域空間巨大，監(jiān)控設(shè)施無法全方位無死角覆蓋。

（2）機(jī)場(chǎng)周邊及其附近人員組成復(fù)雜，極難判斷是否為非法分子闖入。

（3）機(jī)場(chǎng)空域?yàn)橐曇伴_闊的開放區(qū)域，背景變化較快，無法有效識(shí)別目標(biāo)對(duì)象。

（4）在夜間監(jiān)控光照條件較差，且由于區(qū)域過大，視頻中小物體對(duì)象較多。

除去監(jiān)控設(shè)施無法全面覆蓋不談，良好的入侵檢測(cè)算法可以很好地克服以上困難和挑戰(zhàn)。 傳統(tǒng)的入侵檢測(cè)方法大致可以分為基于特征和基于分割的入侵檢測(cè)方法，基于特征的入侵檢測(cè)指的是通過人為設(shè)計(jì)檢測(cè)目標(biāo)的相關(guān)特征，將圖片或視頻序列放入算法中進(jìn)行特征提取，從而判斷是否發(fā)生入侵，人為設(shè)計(jì)的主要特征有尺度不變特征［3］（scale-invariant feature transform， SIFT）、梯度直方圖特征［4］（histogram of oriented gradients， HOG）和局部二值模式［5］（local binary patterns， LBP）等。 而基于分割的入侵檢測(cè)指的是通過對(duì)圖像顏色、邊緣及區(qū)域等進(jìn)行分割，從而對(duì)圖像進(jìn)行檢測(cè)和識(shí)別。 在入侵檢測(cè)早期，傳統(tǒng)的入侵檢測(cè)方法確實(shí)能夠節(jié)省部分人力、物力，但由于機(jī)場(chǎng)周界環(huán)境的復(fù)雜性，時(shí)常有大量旅客進(jìn)入機(jī)場(chǎng)或者機(jī)場(chǎng)與其所屬空域有飛鳥經(jīng)過，傳統(tǒng)的入侵檢測(cè)算法檢測(cè)速度較慢且無法有效地判斷是否發(fā)生入侵。 而基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法能夠快速準(zhǔn)確地對(duì)機(jī)場(chǎng)周界場(chǎng)景下的目標(biāo)進(jìn)行檢測(cè)。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的異物入侵算法

自從Alexnet 在2012 ImageNet 圖片分類比賽中獲得了冠軍，人們逐漸意識(shí)到，利用深度學(xué)習(xí)抽取特征比手工設(shè)計(jì)的方法更加高效。 因此，基于卷積神經(jīng)網(wǎng)絡(luò)［6－7］（convolutional neural network， CNN）的入侵檢測(cè)方法逐漸被人們所接受，并不斷地優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以增強(qiáng)其性能。

2.1 區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region-based convolutional neural network， RCNN）系列

2014 年GIRSHICK 等［8］研發(fā)出首個(gè)基于CNN 框架的入侵檢測(cè)算法RCNN，標(biāo)志著目標(biāo)檢測(cè)算法的發(fā)展進(jìn)入了新紀(jì)元。 RCNN 系列的基本思路是：首先在圖像中隨機(jī)產(chǎn)生大量的候選框，利用CNN 對(duì)候選框進(jìn)行卷積操作以達(dá)到對(duì)目標(biāo)特征提取的目的；其次把所抽取的特征輸入支持向量機(jī)，經(jīng)過多次卷積和池化操作后，最后輸出目標(biāo)種類、邊界框等信息，大致流程如圖1 所示。 RCNN 的成功將大量研究人員的目光吸引到基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法上，之后又先后提出了空間金字塔池化網(wǎng)絡(luò)（spatial pyramid pooling network， SPPNet） 、RCNN 的升級(jí)版Fast RCNN 和Faster RCNN。 RCNN 系列總結(jié)如表1 所示。

圖1 RCNN 流程圖

現(xiàn)有的機(jī)場(chǎng)周界的監(jiān)控視頻1 s 有25 幀或者60 幀，雖然Faster RCNN 的檢測(cè)速度相比之前有了大幅度提高，但距離達(dá)到實(shí)時(shí)檢測(cè)目標(biāo)還是略有差距。 因?yàn)榛赗CNN 發(fā)展的一系列入侵檢測(cè)方法都是先進(jìn)行候選框提取，后分類檢測(cè)的兩階段檢測(cè)方法，其復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)限制了檢測(cè)速度的提升。

2.2 YOLO 系列

YOLO［12－16］算法一經(jīng)問世就迅速地引起了全球范圍的廣泛關(guān)注，其中2015 年發(fā)出的YOLOv1 是真正意義上第一個(gè)端對(duì)端檢測(cè)算法，YOLO 系列的主要思想就是把對(duì)目標(biāo)的檢測(cè)問題轉(zhuǎn)換成一個(gè)簡(jiǎn)單的線性回歸問題，可以把任何大小的圖像直接輸入到網(wǎng)絡(luò)中，經(jīng)過檢測(cè)識(shí)別后，得到目標(biāo)的類別和位置信息。

隨著近年來的不斷發(fā)展，YOLO 已經(jīng)從最初的v1 版本發(fā)展至YOLOv5 甚至是YOLOvx。 其中YOLOv5 可以稱作是巔峰之作。 YOLOv5 的網(wǎng)絡(luò)結(jié)構(gòu)是由輸入端、Backbone、 Neck、 Transformer 預(yù)測(cè)結(jié)構(gòu)（ Transformer prediction head， TPH）和輸出端構(gòu)成［16］。 圖片自輸入端進(jìn)行預(yù)處理后傳輸至Backbone，經(jīng)由Neck 模塊進(jìn)一步提取特征后，最后傳輸至TPH 進(jìn)行圖像邊界框和目標(biāo)種類的回歸，得出最后結(jié)果。 如圖2 所示即為基于YOLOv5 對(duì)機(jī)場(chǎng)周界環(huán)境下的異物入侵進(jìn)行檢測(cè)的示范圖。

圖2 YOLOv5 檢測(cè)示范圖

2.3 單階段多尺度檢測(cè)（single shot multibox detector，SSD）算法

SSD 是LIU 等［17］在2016 年提出的檢測(cè)算法。 相對(duì)于Faster RCNN 來說，在速度上有很大的優(yōu)勢(shì)；和YOLO 相比，在均值平均精度（mean of average precision， mAP）上也有很大的優(yōu)勢(shì)。 與YOLO 類似，SSD 將檢測(cè)問題轉(zhuǎn)換為一個(gè)簡(jiǎn)單的回歸問題，實(shí)現(xiàn)了對(duì)目標(biāo)進(jìn)行一次定位與分類。和YOLO 不同的是，SSD 同樣繼承了Faster RCNN 中的先驗(yàn)框（Anchor）思想，選用回歸候選框思路，提高檢測(cè)速度和檢測(cè)精度。

3 性能對(duì)比

目前能夠?qū)θ肭謾z測(cè)性能評(píng)估的數(shù)據(jù)集有很多，表2對(duì)典型的目標(biāo)檢測(cè)算法進(jìn)行了性能評(píng)估。

表2 典型目標(biāo)檢測(cè)算法性能對(duì)比

結(jié)合機(jī)場(chǎng)周界場(chǎng)景下的異物入侵檢測(cè)問題，本文從VOC07／12 數(shù)據(jù)集挑選部分圖片對(duì)YOLOv5 和SSD 進(jìn)行訓(xùn)練，客觀評(píng)價(jià)哪種算法適用于機(jī)場(chǎng)周界異物入侵檢測(cè)系統(tǒng)，部分?jǐn)?shù)據(jù)集和性能對(duì)比如圖3 所示。

圖3 部分?jǐn)?shù)據(jù)集（上）和性能對(duì)比圖（下）

在基于機(jī)場(chǎng)周界的場(chǎng)景下，當(dāng)檢測(cè)任務(wù)較重時(shí)，YOLOv5 算法表現(xiàn)出良好的性能，意味著當(dāng)有外來人員進(jìn)入非工作人員禁止進(jìn)入的區(qū)域或者有飛鳥進(jìn)入機(jī)場(chǎng)區(qū)域時(shí)，YOLOv5 能夠更高效地進(jìn)行識(shí)別并發(fā)出警報(bào)。

4 結(jié)語

基于卷積神經(jīng)網(wǎng)絡(luò)的入侵檢測(cè)算法具有魯棒性較好、誤報(bào)率低、實(shí)時(shí)性較強(qiáng)等優(yōu)點(diǎn)。 對(duì)機(jī)場(chǎng)周界場(chǎng)景下的異物入侵檢測(cè)算法進(jìn)行深入研究，能夠很好地提高機(jī)場(chǎng)的安全性。

目前，異物入侵檢測(cè)算法大多是在目標(biāo)檢測(cè)的基礎(chǔ)上增添報(bào)警功能和目標(biāo)跟蹤功能，在今后的研究中，還需進(jìn)一步完善基于機(jī)場(chǎng)周界場(chǎng)景下的數(shù)據(jù)集的建設(shè)工作和進(jìn)一步提高現(xiàn)有算法對(duì)小目標(biāo)檢測(cè)的效果。