裴 伟,许晏铭,朱永英,王鹏乾,鲁明羽,李 飞

1(大连海事大学 环境科学与工程学院,辽宁 大连 116026)

2(大连海事大学 信息科学技术学院,辽宁 大连 116026)

3(大连海洋大学 海洋与土木工程学院,辽宁 大连 116023)

近年来,目标检测和识别技术一直是业界研究的热点.目标检测技术主要有两种研究方向:1) 基于传统方法的目标检测.主要步骤为目标特征提取、训练分类器、输出结果,对标注的训练样本进行特征提取并将其送到分类器中进行训练;2) 基于深度学习的目标检测.

目前,基于深度学习的目标检测主要分为基于候选区域的目标检测算法和基于回归的目标检测算法:

基于候选区域的目标检测算法的计算过程是:首先,根据区域选择算法从输入图像中提取出N(N远大于真实提取出的目标个数)个感兴趣区域(region of interest,简称 ROI);然后,利用多层卷积神经网络(convolutional neural network,简称 CNN)对上述的感兴趣区域进行特征提取,对提取到的特征进行分类;最后,利用 Boundingbox回归器对输出窗口进行更正,得到最终结果.2014年,Girshick提出了 Region CNN[1](R-CNN)目标检测算法;2015年,Girshick提出了Fast R-CNN[2]和Faster R-CNN[3];2017年,何凯明提出了基于Faster-RCNN框架的Mask R-CNN[4]目标检测算法等.

上述的基于候选区域的目标检测算法虽然精度很高,但实时性差,而不使用 RPN(region proposal network)网络的目标检测方法在速度方面更具优势,即基于回归的目标检测算法:对于给定的输入图像,直接在图像的多个位置上回归出这个位置的目标边框以及目标类别.Redmon在2016年提出了YOLO[5]目标检测算法.随后,在此基础上,作者提出了改进版的YOLOv2[6].2016年,Liu提出的SSD[7]算法结合了YOLO速度快和Faster R-CNN候选区域的优点,SSD在不同特征图上进行分割,然后采用类似RPN的方式进行回归,在VOC2007数据集上最高可达到74.3%的准确率,处理速度为46帧/s.该算法不仅保证了检测速度,也提高了检测的准确率. 2017年提出的DSOD[8]基于SSD算法引入DenseNet[9]思想,mAP(mean average precision)为77.7%,与SSD300相当,但检测速度为17.4帧/s,较SSD300的46帧尚有较大差距[10].2017年,Jeong提出Rainbow SSD[11]算法对传统的SSD算法进行了改进,一方面利用分类网络增加了不同特征层之间的关联度,有效减少了重复区域;另一方面增加了特征金字塔中的特征图的个数,使其适用于小目标检测,其 mAP达到了 77.1%,同时,速度也提高到 48.3帧/s,效果比较明显.但该算法在融合不同特征层的特征信息时覆盖了整个网络结构,这样势必会引入冗余信息,增加了计算的复杂度.2018年提出的YOLOv3[12]算法通过多级预测方式改善了小目标检测精度差的问题,同时,采用简化的residual block取代了原来1×1和3×3的block,为无人机目标检测的应用场景的落地提供了更多的可能.

无人机技术的快速发展,使得无人机地面目标检测技术已成为计算机视觉领域的重要研究方向,无人机在军事侦察、交通管制等场景中具有普遍的应用价值.国外很早便开展了针对无人机检测跟踪系统的研究.1997年,美国就启动了VSAM(video surveillance and monitoring)项目,在高处架设摄像机对地面目标进行全方位的检测和跟踪.2006年,美国DAPRA部门设计了一套无人机监控系统COCOA,该系统能对无人机下视的车辆、行人等目标进行实时的检测、识别和跟踪,捕获目标的连续运动序列,使用帧间对齐技术对运动序列进行背景补偿,然后对其进行背景建模并最终实现运动目标的跟踪[13].Ibrahim 于 2010年提出了 MODAT(moving objects detection and tracking)系统,使用SIFT特征进行航拍目标的检测和跟踪[14].

虽然国内该方面的相关研究起步较晚,但发展速度很快[15].2008年,张恒设计了一套无人机平台运动目标检测和跟踪系统,能对无人机拍摄图像进行特征提取,并对机载相机运动进行自适应消除[16].谭熊等人于 2011年提出了基于区域的航拍目标跟踪算法,该算法计算速度快、精度高,能满足实时运算的要求[17].2013年,董晶等人设计了一套地面运动目标实时监测及跟踪系统,提取特征点进行运动目标的检测,并将检测和跟踪相结合来进行移动目标的定位,适用于误检和目标跟踪失效的情况[18].汤轶等人设计的无人机视频中,运动目标检测与跟踪系统使用RANSAC算法对背景运动进行补偿,粒子群优化算法进行目标中心位置的定位,该思路确保了算法的准确性和实时性[19].

无人机产业发展日益蓬勃,其应用领域仍在不断拓展.但无人机在执行军事侦察、消防、救灾、搜救等实时任务时,目标检测的精度和实时性决定了无人机飞行任务是以机毁人亡,还是以生命财产的延续而结束,成败就在一瞬间.受到负载、续航、航行环境、计算力等限制,无人机目标检测在这方面的研究进展缓慢,已成为制约无人机发展的瓶颈问题之一.当前,无人机目标检测算法面临以下难点和问题[20].

(1) 无人机快速移动的不稳定性造成航拍图像具有图像模糊、噪声多、运动目标可提取的特征信息少、易出现重复检测、目标误检等问题;

(2) 无人机从制高点进行图像采集时,图像中的检测目标一般较小,易出现小目标漏检情况;

(3) 随着无人机的不断移动,外界环境(比如光照、云、雾、雨等)的变化将会导致图像中目标特征的剧烈变化,增加了后续特征提取的难度[21];

(4) 无人机目标检测算法需要快速准确地检测出运动目标,因此算法应满足实时计算的要求.

针对无人机场景下目标分辨率低、目标遮挡和光照变化等导致的可提取特征不多的问题,本文在 SSD目标检测算法的基础上对原始基准网络VGG-16[22]进行替换,提出了基于深度残差网络(deep residual network,简称Resnet[23])的航拍目标检测方法(R-SSD),增强网络的特征提取能力;同时,针对SSD算法目标重复检测和小样本漏检问题,本文为特征提取层选取高层的语义信息和低层的视觉信息进行特征融合,提出一种基于特征融合的航拍目标检测方法(CI-SSD).

1 SSD快速检测原理

SSD的速度优势在于:该算法是在前馈CNN网络的基础上实现的,把网络的计算量封装在一个端到端的单通道中.针对单枚输入图像,SSD会产生多个固定大小的Bounding Box和框中对象类别的得分,然后进行非极大值抑制(non-maximum suppression,简称NMS)操作,得到最后的预测结果,显著提高了检测速度.网络前半部分为基础网络,主要用来进行图像分类;网络后半部分为多尺度卷积层,卷积层尺寸逐层减少,主要用于多尺度下目标特征的提取和检测.

SSD网络中的任何一个特征层都使用一组卷积过滤器与输入进行卷积操作,产生一系列固定的预测集合,该集合包括预测目标框的4个偏移量和21个种类的置信度得分.

每个特征图都与一组不同尺度的默认边界框相绑定,在每个单元格中,预测结果为相对于默认边界框的位置偏移和类别得分.如在某个已知位置的k个边界框中,每个边界框都需计算相对于当前位置的4个坐标偏移量和c个类的分数,因此每个位置都有(c+4)×k个过滤器,对于m×n的输入图像,该操作总计会产生k×m×n×(c+4)个结果.如图1所示:图1(a)为含有真实坐标框的输入图像,图1(b)和图1(c)分别是尺度为8×8和4×4的特征图.

Fig.1 SSD framework for detection图1 SSD的检测结构

在进行卷积操作时,每个位置都需要进行默认框(如图1(b)和图1(c)中4个不同宽高比的边界框)的计算,预测所有类别的得分和坐标偏移值.

SSD算法中,目标损失函数的思想类似于 MultiBox[24],但 SSD将其扩展为可处理多个类别的目标函数.代表针对类别p,第i个默认框和第j个真实框的结果保持一致;表示不一致.则表示对于类别p的第j个真实标签框,可能有多个默认框与之匹配.总的目标损失函数为

其中,N为与真实标签框相匹配的默认框的个数,Lloc和Lconf分别为位置和置信度的损失量,α为两者的权重,x为输入图像,c为目标类别,l为预测框,g为真实标签框.

2 残差网络模型

2.1 残差网络

深度残差网络(ResNet)是在2015年ILSVRC(ImageNet Large Scale Visual Recognition Challenge)大赛上由微软亚洲研究院(MSRA)何凯明团队提出的一种卷积神经网络,该网络赢得了当年图像分类、检测、定位和分割的第 1名.如图2所示,随着网络层数的增加,网络结构的特征提取能力越来越强,识别错误率也越来越低.ResNet在ImageNet数据集上可达到3.57%的识别错误率,远低于VGG网络和人眼实测的错误率,这为后续的残差网络替换提供了研究基础.残差网络最深可达152层,与传统网络相比,深度网络带来了更好的泛化能力,同时还具有更低的复杂性.

Fig.2 Top-5 error rate (%) of ILSVRC over the years图2 ILSVRC历年的Top-5错误率(%)

2.2 残差网络的学习策略

残差网络引入了一种残差学习框架来应对传统网络的退化问题.如图3所示,该学习策略对多层的残差映射进行拟合,H(x)称为几个网络层堆叠的期望映射,x为当前堆叠块的入口,relu激活函数的使用缩短了学习周期.假设n个非线性层可近似地表达为某个复杂函数(残差函数),则把堆叠的网络层拟合成另一个映射F(x)=H(x)-x,那么最终的基础映射便为H(x)=F(x)+x.与通过叠加网络层来拟合期望的原始映射相比,尽管这两种方式都能近似得到残差函数,但残差映射更容易调优.通过构建残差学习,残差网络可将多个非线性连接的系数逼近零来近似成更优的期望映射.

图3中,公式H(x)=F(x)+x可由带有跳跃连接(跳过一层以上的层间连接)的前馈神经网络来实现,跳跃连接执行恒等映射并将计算结果添加至其指向的输出层,这种计算方式没有导入其他系数,计算量没有明显的增加.残差学习框架的引入,可大幅降低提取特征的重复度,减少网络模型的计算量.这种跨层共享参数和重复利用中间特征的方式,可解决层数增加之后出现的性能退化问题.

Fig.3 Comparison of common structure and residual structure图3 普通结构和残差结构对比

2.3 残差网络的结构设计

SSD使用的基准网络VGG16的结构如图4(a)所示,用3×3的卷积核来增大网络的感受野范围,用多个包含过滤器的卷积层来减少参数的引入和提高网络的拟合能力.VGG16共16层,网络的前半部分为卷积层的叠加,后半部分为全连接层,最后为进行归一化的Softmax层.

Fig.4 Comparison of network architectures图4 网络结构对比图

图4(b)所示为Resnet-50的网络结构,图中虚线框为不同层块的残差结构,ResNet中的每个卷积块都包含不同数目的残差单元,每个残差单元进行3次卷积操作.残差网络使用身份快捷连接(identity shortcut connection)进行卷积层的跨连,它解决了网络层数加深但检测精度不升反降的问题.与传统 VGG相比,残差网络具有更少的滤波器和更低的计算代价,这也是将基准网络替换为残差网络的原因.

3 基于残差网络的航拍目标检测算法

3.1 前置网络替换

用于图像分类的标准神经网络称为前置网络(base network),前置网络的理论基础是生成模型,生成模型可自适应地从输入图像中学习重要特征,这在很大程度上解决了某些模型(如传统的全连接网络)特征提取能力不足的问题.但生成模型提取到的特征信息冗余太多,有用信息提取困难.因此,通过前置网络对输入数据进行特征提取,为后续网络层提供输入信息,可加快后续训练速度,提高网络的表达能力.

ResNet通过引入残差学习来提高模型的检测性能,合并n个堆叠块,进而构造一个残差学习模块.构造块定义为

其中,x和y分别为当前计算层的输入和输出,函数F(x,Wi)代表当前网络想要学习的残差结构.如图3所示,第1层公式F=W2σ(W1x)中,σ为Relu激活函数;第2层则通过快捷连接来执行F+x操作.公式(2)中的输入向量x和函数F的维度应保持一致,否则,我们需要对输入向量x执行线性投影来实现维度匹配:

对无人机下视目标图像采集速度和机载硬件计算能力进行综合考虑,本文选用Resnet-50残差结构进行网络替换.选取的特征提取层为 conv2_x(分别使用大小为 1×1×64,3×3×64,1×1×256 的卷积核),conv3_x(分别使用大小为 1×1×128,3×3×128,1×1×512 的卷积核),conv4_x(分别使用大小为 1×1×256,3×3×256,1×1×1024 的卷积核),conv5_x(分别使用大小为 1×1×512,3×3×512,1×1×2048 的卷积核),conv7_x,conv8_x,conv9_x.Resnet中的身份快捷连接没有增加额外计算量,因此,我们可以公正地对原始网络和残差网络进行实验对比.图5为原始的SSD和经过网络替换的R-SSD的网络结构对比图.

Fig.5 Comparison of SSD network and R-SSD network图5 SSD网络和R-SSD网络对比

3.2 训练参数设置

(1) 选择默认框参数

为了能对不同尺度的目标进行正确检测,某些算法将输入图像转为不同的尺度,然后对转换后的图像进行处理,并将检测结果进行融合[25,26].使用若干个不同输出尺寸的特征图进行预测,同样可以得到上述的输出结果,而且在端对端的单一网络中可以进行参数的共享传递,转换效率更高.

在一个卷积神经网络中,位于不同层的特征图有着不同大小的感受域(特征图上输出的某个节点,其对应的输入图像中的某块区域).在此处采用的策略是默认框不用一对一的与特征图的感受域相映射,不同位置的默认框对应不同的区域和目标尺寸.假设用来预测的特征图有m个,则每个特征图中默认框的尺寸为

其中,Smin为网络结构中最底层的默认框尺度,值为0.2;Smax为最高层的默认框尺度,值为0.95,不同层以一定规则间隔排序.默认框的宽高比取值ar∈{1,2,3,1/2,1/3},则每一个默认框的宽、高分别为

(2) 确定匹配策略

在生成R-SSD检测模型时,需要为每个真实标签框都选择默认框与其进行匹配.原始的MultiBox匹配思想是从所有的候选默认框中为每一个真实标签框找到一个最高的Jaccard(用于比较样本之间的相似性和差异性)重叠值,该方法确保了每个真实标签框都有一个与其匹配的默认框.本文的匹配策略是在MultiBox思想的基础上将 Jaccard重叠系数调整为 0.5,这一调整弱化了学习过程,允许网络模型自适应地计算多个默认框的重叠情况,而不只限于Jaccard重叠率最高的那个默认框.

(3) 选择损失函数

在进行模型训练时,始终存在一个目标函数,算法持续对该函数进行优化,直至损失值最低,这个目标函数称为损失函数.损失函数用来衡量网络模型的输出值和真实值yi的差异程度,损失函数的目的是使损失值最小化,其公式为

本文基于深度学习框架Caffe[27]建立了R-SSD训练模型,通过对比实验选择了Softmax作为损失函数,其公式为

其中,Sj为类别j的得分,yi为目标的真实标签.不同类别上的目标分值离散程度越高,损失值越低,模型性能越好.针对航拍数据特点,对公式(8)进行如下变形可进一步提高精度:

通过计算损失函数Li,得到一个用于分类的Softmax模型.

3.3 总体流程图

在训练阶段,首先对输入的目标图像进行预处理操作,包括数据增强和图像去雾等,然后对输入图像中的目标信息进行标注,得到真实目标的位置信息和类别信息,再进行模型的训练,生成最终的R-SSD目标检测模型.

在检测阶段,每枚测试图像都生成N个可能包含目标的框图,利用训练阶段生成的R-SSD模型对其进行真实坐标偏移和所属类别得分的计算,每枚图像都会得到N个分类结果,再利用非极大值抑制算法输出最终结果.整体流程如图6所示.

Fig.6 Flow diagram of object detection based on aerial photography图6 航拍目标检测流程图

4 基于特征融合的航拍目标检测算法

上一节提出了一种基于残差网络的航拍目标检测算法 R-SSD,使用 Resnet-50网络替换原始前置网络VGG-16,在原始SSD算法的基础上提高了精度,但实时性差,还存在误检、小目标漏检、重复检测的问题.传统的SSD目标检测算法在速度和精度方面表现出色,充分利用了多卷积层的优势来对目标进行检测,对目标的尺度变化具有较好的鲁棒性.但SSD网络结构的缺点是对小目标漏检,如图7所示,每个卷积层都当作后续分类网络的输入,即每个层对应一个目标的尺度,忽略了层与层之间的关联关系.如图7中的conv4_3特征层,从该层开始,随着网络层数和深度的增加,卷积层的尺度逐步减小,表征能力越来越强,语义信息也越来越丰富,但底层的conv4_3没有利用高层的语义信息,导致检测小目标效果较差.因此,本文利用特征融合技术对该网络进行改进.

Fig.7 SSD extra feature layer图7 SSD提取特征层

4.1 空洞卷积操作

当把图像输入到用于分割的FCN网络[28]时,FCN网络会先进行卷积操作再进行池化(通过缩小图像尺寸来增大感受野范围)操作,然后将池化后尺寸变小的图像进行上采样增大到原始图像尺寸进行结果预测.但在图像尺寸缩小再增大的过程中,池化层会造成图像部分信息的缺失.如果没有池化层,高层网络中尺寸较小的卷积层其感受野范围也相对较小,缺少图像的整体特征,模型学不到全局信息;如果加上池化层,图像原有的信息特征会遭受损失,降低模型的精度.所以我们采用空洞卷积方法(dilated convolution)[29]来解决这一问题,空洞卷积在不损失信息的前提下加大了卷积层的感受野范围.SSD结构的缺点在于缺少图像的全局信息,利用空洞卷积进行特征下采样可以改善小目标检测精度不高的问题.

图8(a)是卷积核大小为3×3、扩张(dilation)为1的空洞卷积操作,该操作等同于卷积操作,3×3的点状区域为当前卷积的感受野范围.图8(b)是卷积核大小为3×3、扩张为2的空洞卷积操作,即一个7×7的区域但只有9个点和 3×3大小的卷积核发生了卷积操作,其余点的权值为 0.虽然该操作的卷积核大小只有 3×3,但与图8(a)相比,感受野范围扩大到了7×7.执行空洞卷积之后感受野的大小为

其中,扩张值为当前卷积核中每个计算点的半径.如图8(b)中扩张值为2,则Fdilation=7×7.

Fig.8 Dilated convolution operation图8 空洞卷积操作

本文将图7中不同层之间的相互关系考虑在内,较低层的特征图通过空洞卷积操作连接到较高层的特征图上,并对其进行尺度归一操作,保持通道数目不变,改进之后的结构如图9所示.

Fig.9 Extra feature layer after dilated convolution图9 空洞卷积操作之后的提取特征层

4.2 反卷积操作

为了让训练模型学到更多的上文信息,对分类特征层执行反卷积(deconvolution)[30]操作,卷积操作可以用来对高维向量进行低维特征的计算.图10(a)是输入尺寸为5×5、滤波器大小为3×3、步长为2、扩充为1的卷积计算过程,输出尺寸为3×3.反卷积操作刚好相反,它可以将低维的局部特征映射成高维向量,因SSD网络结构中高层(低维特征)的特征图含有丰富的语义特征,我们可对其进行反卷积操作映射到低层网络中,用来增强卷积层的表征能力.图10(b)为卷积操作所对应的反卷积过程,其输入尺寸为3×3.在给定的特征单元之间进行0值的插入上采样,然后采用步长间隔为1的3×3的滤波器进行反卷积计算,反卷积的输入输出关系为

其中,s为移动步长,i为输入的特征大小,k为滤波器大小,p为扩充值.例如图10(b)中i为3,s为1,k为3,p为0,则Fdecon=5×5.

Fig.10 Convolution and deconvolution operation图10 卷积与反卷积操作

上采样的方式将语义信息更强的高层特征融入到低层特征图中,增强了网络的辨识度.反卷积操作不仅增加了特征图大小,也使低层特征可以学到更为丰富的语义信息.在原始SSD网络的基础上,将较高层的特征图通过反卷积操作连接到较低层的特征图上,并对其进行尺度归一操作,保持通道数目不变,改进之后的结构如图11所示.

Fig.11 Extra feature layer after deconvolution图11 反卷积操作之后的提取特征层

4.3 网络结构

原始SSD算法没有计算不同尺度特征层之间的映射关系,在对同一目标进行检测时,SSD会生成多个不同尺度的预测框,对小目标检测效果差.本文提出的CI-SSD网络结构在SSD目标检测算法的基础上进行了改进,保留了该算法的前置网络VGG-16,将conv4_ci,conv7_ci,conv8_ci,conv9_ci,conv10_ci,conv11_ci作为预测的特征层.CI-SSD充分利用了不同特征层之间的相互关系,用空洞卷积操作将低层的特征图和高层的特征图融合,可显著提高分类网络的感受野范围,有利于模型学习到更多的全局信息;反卷积操作将高层的特征图和低层的特征图融合,有助于低层特征层进行小目标的检测,增强了模型的语义表征能力.这种连接方式使 CI-SSD网络可在同一特征层上将目标的不同尺度考虑在内,增强模型的泛化能力.

如图12所示,conv4_ci特征层由512个38×38的特征图组成,其中:前256个特征图是由conv4_3经过卷积运算生成的,所用的卷积核大小为 3×3,步长为 1,扩充为 1,特征图尺度未发生变化;后 256个特征图是由 conv7经过反卷积上采样操作生成的,所用的卷积核大小为2×2,步长为2,扩充为0,特征图尺度扩大一倍.

Fig.12 CI-SSD object detection network图12 CI-SSD目标检测网络

conv7_ci特征层由1 024个19×19的特征图组成,其中:前256个特征图是由conv4_3经过空洞卷积下采样运算生成的,所用的扩张值为 2,卷积核大小为 3×3,步长为2,扩充为 2,特征图尺度减少一倍;中间的512个特征图是由conv7经过卷积运算生成的,所用的卷积核大小为3×3,步长为1,扩充为1,特征图尺度未发生变化;后256个特征图是由conv8_2经过反卷积上采样操作生成的,所用的卷积核大小为3×3,步长为2,扩充为1,特征图尺度扩大一倍,其余特征层类似.conv7_ci的多层融合如图13所示.

Fig.13 Multi-layer fusion of conv7_ci layer图13 conv7_ci层的多层融合

为使conv4_3层和conv8_2层的特征图尺寸与conv7层相同,我们对conv4_3层进行下采样空洞卷积操作,对conv8_2层进行上采样反卷积操作,然后使用3×3的卷积层学习融合特征.因VGG-16基础网络的低特征层与高层数据维度分布差距较大,直接融合效果不好,所以加入BN层(batch normalization layer)进行归一化处理,3个特征图在融合之前进行激活操作,最后使用1×1的卷积核进行降维操作,生成最终的特征融合层.

5 实验及结果分析

第5.1节介绍实验的运行环境及算法评估指标;第5.2节为基于残差网络的航拍目标检测算法R-SSD的对比实验;第5.3节为基于特征融合的航拍目标检测算法CI-SSD的对比实验.

5.1 实验环境及算法评估指标

实验运行环境见表1.

Table 1 Runtime environment of this experiment表1 实验运行环境

本文所用的算法评估指标如下所述:mAP由精度、召回率和平均值这3部分组成.

· 精度 P(precision)也称正确率,广泛应用在信息检索领域.正确率指返回结果中相关类别占总返回结果的比例,定义为正确率=返回结果中相关类别的数目⁄总返回结果的数目;

· 与正确率一同使用的是召回率 Recall,召回率指返回结果中相关类别占总的相关类别的比例,定义为召回率=返回结果中相关类别的数目⁄总的相关类别的数目;

· 由正确率和召回率可求出每一类别的AP曲线,再对所有类的AP取平均值,即可求得mAP:

其中,N代表测试集中图像数,P(k)表示识别k枚图像的精度值,Δr(k)表示识别图像枚数从k-1变化到k时Recall值的变化量,m为所有图像的类别数.

本文所用的实验数据来自UAV123(包括行人和车辆共13.7G)[31],VEDAI(1 270枚图像)[32]等公共数据集和大疆M100无人机在大连海事大学心海湖附近拍摄的图像数据(1 600枚),将数据分为汽车、卡车、船、飞机、行人等5个类别,训练样本如图14所示,其中,训练样本为19 256枚,测试样本为3 000枚.

Fig.14 Training image sample图14 训练图像示例

训练参数设置见表2.

Table 2 Training parameter setting表2 训练参数设置

5.2 基于残差网络的航拍目标检测实验

(1) 前置网络替换实验

前置网络主要用来进行特征提取,并将产生的目标特征传递到后续的卷积层中进行模型训练.针对航拍图像目标尺度小、分辨率低等问题,我们将原始SSD算法的前置网络VGG-16替换为Resnet50,对输入图像进行归一化处理,并增加特征提取层数来提高特征提取能力.前置网络VGG-16和Resnet50的具体结构见表3,其中,每个单元块的值为选择的特征提取层和对应的输出尺寸.

Table 3 Pre-network parameter comparison table表3 前置网络参数对比表

如图15所示,使用Resnet50网络的模型与原始SSD算法相比具有更高的mAP值,尤其在卡车、飞机这两类数据集上精度提升比较明显.

Fig.15 Comparison of detection accuracy of different models图15 不同模型的检测准确率对比

表4统计了使用不同基础网络(VGG-16和 Resnet50)的两种算法在无人机数据集上的目标检测结果,测试集为包含5大类别的3 000枚图像.使用Resnet50作为前置网络的R-SSD模型取得了85.2%的mAP.两个模型在检测较大物体时(如飞机、卡车等)都有较高的准确率,在识别飞机这一类别上,R-SSD模型达到了最高的mAP值,为88.6%,高于SSD模型的86.4%,提高了2.2%.这是因为Resnet50网络层更深,特征提取能力更强,检测效果也更好.对于行人这一类,两个模型的表现都不是很好,因无人机下拍摄的行人目标较小,发生形变,不利于特征的提取和表达.

Table 4 R-SSD object detection results表4 R-SSD目标检测结果

(2) 默认框参数实验

默认框的参数设置直接影响着模型处理不同尺度目标的检测性能,默认框横宽比r的分布也会影响目标的检测准确率.当r分布较为集中时,网络计算负担加重但检测精度却没有明显的提升;当r分布较为分散时,模型的表征学习能力不足.为了测试不同尺寸和横宽比的默认框对模型的影响,本文设计了如下实验.

如图16所示,横坐标为使用的默认框横宽比的集合,例如,r=[1/2,1,2]时表示针对当前输入图像采用的默认框的横宽比分别为1/2,1,2(如图17所示,实线框为目标的真实坐标框,虚线框为选取的默认框的范围).因R-SSD模型使用了7个卷积层作为后续目标分类网络的输入,所以图16中的4条折线分别代表了当前选取的卷积层使用的不同默认框的个数,其中,折线[3×7]代表7个卷积层中默认框的个数都为 3,即默认框横宽比分布为[1/2,1,2].当默认框个数n和默认框横宽比分布r取值为([3,5×6],[1/3,1/2,1,2,3])和([5×7],[1/3,1/2,1,2,3])时mAP值较高,准确率分别为85.2%和85.4%.但采用[5×7]分布的模型与[3,5×6]相比需额外计算6 272个检测框,这增加了计算复杂度,但性能却只提高了0.2%,得不偿失.因此,本文选择的默认框参数见表5.

Fig.16 Comparison of detection accuracy of different default boxes aspect ratio图16 不同默认框横宽比的检测准确率对比

Fig.17 Sample of default boxes aspect ratio图17 默认框横宽比样例

Table 5 Model detection results表5 默认框的数量及横宽比

(3) 综合性能对比

为了综合评估模型的检测能力,本文将R-SSD模型与SIFT+SVM和Faster R-CNN等目前较为流行的检测算法进行对比,得到的结果见表6.

Table 6 Accuracy comparison of different methods表6 不同方法的准确率对比

从表6可以看出:本文改进的方法无论在原始数据集(未进行数据增强)还是在增强的数据集上都取得了较好的检测效果,分别取得了 82.5%和 85.2%的准确率,准确率比传统方法高出近 30个百分点.但在速度方面,R-SSD没有SSD和传统方法速度快,这是由于R-SSD为了提高特征提取能力,增加了特征提取层数,牺牲了算法速度.图18为 R-SSD算法的部分实验截图,图中的矩形框为模型预测的目标全局位置,矩形框左上方为预测的类别和分值.

Fig.18 Detection result of R-SSD algorithm图18 R-SSD算法检测结果图

图19分别为R-SSD算法的目标误检图、小样本漏检图和目标重复检测图.

Fig.19 Error detection result of R-SSD algorithm图19 R-SSD算法的误检结果图

5.3 基于特征融合的航拍目标检测实验

(1) 目标类别检测实验

CI-SSD算法的类别检测结果如图20所示,与传统的SSD算法相比,CI-SSD目标检测算法在各个类别的检测精度上均有了大幅度的提升,其中,行人类别的准确率提升最为明显,提高了6%.这是因为CI-SSD网络结构融合了高层特征向量的语义信息和低层特征向量的位置和边缘信息,使得模型在保持原有检测精度的前提下对行人等小目标检测具有更强的适应性.

Fig.20 Comparison of detection accuracy of different models图20 不同模型的检测准确率对比

表7统计了SSD和CI-SSD两种算法在无人机数据集上的目标检测结果.本文的CI-SSD目标检测算法的准确率达到了87.8%,较SSD算法提高了3.6%,较上一节的R-SSD算法提高了2.6%.

Table 7 SSD and CI-SSD object detection results表7 SSD和CI-SSD目标检测结果

(2) 特征融合实验

为验证本文特征融合的有效性,设计了以下几组对比实验.

· 第1组为SSD-Diconv:在CI-SSD网络结构的基础上去掉反卷积上采样,保留特征图空洞卷积下采样操作,网络结构如图9所示;

· 第2组为 SSD-Deconv:在CI-SSD网络结构的基础上去掉空洞卷积下采样,保留特征图反卷积上采样操作,网络结构如图11所示;

· 第3组为 SSD-Pooling:在CI-SSD网络结构的基础上去掉反卷积上采样和空洞卷积下采样操作,用池化层进行特征图下采样操作.

改进后的CI-SSD算法与SSD-Diconv,SSD-Deconv,SSD-Pooling结果对比如图21所示.

Fig.21 Comparison of experimental results图21 实验结果对比

由图21可以看出,SSD-Diconv,SSD-Deconv和 SSD-Pooling在检测精度方面表现均优于 SSD,其中,SSDDeconv表现最为优秀,达到87%的准确率,这说明高层的语义和低层的边缘纹理等信息均能提高模型的检测精度.其中,SSD-Deconv精度高于SSD-Pooling,说明本文采用的空洞卷积操作与池化操作相比,在进行特征融合时保存了更多的图像信息.实验结果表明,本文提出的基于特征融合的航拍目标检测算法 CI-SSD准确率最高,为87.8%.

(3) 综合性能对比

为了评估CI-SSD算法的综合性能,本节将CI-SSD与SSD,R-SSD进行对比实验,结果见表8.本文改进的方法无论在原始数据集上还是在增强数据集上都取得了最高的检测精度,分别为 84.1%和 87.8%.在速度方面,因需要进行不同特征层的信息融合,速度略有下降,但高于R-SSD算法的处理速度,满足实时性的要求.

Table 8 Comprehensive comparison of different methods表8 不同方法的综合对比

图22为部分实验截图,测试数据集与上节相同,图中的矩形框为模型预测的目标位置,矩形框左上方为预测的类别和分值,不同的边框颜色代表不同的目标分类.

Fig.22 Comparison of detection result between R-SSD and CI-SSD图22 R-SSD和CI-SSD的检测结果对比

Fig.22 Comparison of detection result between R-SSD and CI-SSD (Continued)图22 R-SSD和CI-SSD的检测结果对比(续)

图22(a)中,R-SSD误将地标建筑检测成车,CI-SSD纠正了这一误标.在图22(b)中,针对卡车这一目标,R-SSD将其检测为卡车和车,出现了重复检测,而 CI-SSD没有出现该错误.图22(d)中,R-SSD漏检了上方小车,CI-SSD成功将其检测成车.与传统 SSD目标检测算法相比,CI-SSD算法检测精度更高,尤其在小目标物体的检测上更有优势.实验结果表明,本文改进的算法有效提高了无人机图像中目标检测的准确率.

6 总 结

针对无人机目标检测分辨率低、遮挡、小目标漏检、重复检测、误检等精度低下问题,本文在 SSD算法的基础上,用表征能力更强的残差网络进行基准网络的替换,用残差学习降低网络训练难度,提高目标检测精度;引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现的性能退化问题;引入不同分类层的特征融合机制,把网络结构中低层视觉特征与高层语义特征有机地结合在一起.算法的准确率达到了87.8%,较SSD算法提高了3.6%.实验结果表明,图像预处理、特征融合能够提高目标检测的精度,满足实时性要求;增加网络层次和深度虽能提高目标检测的精度,但是计算量的增加严重影响了目标检测实时性.接下来,将裁减基础网络,优化特征融合的程度,以期进一步提高检测精度和实时性,促进无人机核心技术的快速发展.