深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用

于樂(lè)

[摘? ? 要]在科技不斷創(chuàng)新和廣泛應(yīng)用的新時(shí)代，計(jì)算機(jī)視覺(jué)技術(shù)是整個(gè)科技領(lǐng)域的熱點(diǎn)研究課題。在計(jì)算機(jī)視覺(jué)領(lǐng)域中，目標(biāo)視覺(jué)檢測(cè)屬于重要任務(wù)之一，如今各種電子設(shè)備都在人們工作生活中得到實(shí)際應(yīng)用，圖像數(shù)據(jù)的產(chǎn)生量也海量增加，由于圖像識(shí)別的精確性對(duì)多個(gè)方面都有重大影響，在這樣的情況下，如何進(jìn)一步提升圖像中目標(biāo)識(shí)別的精確性成為相關(guān)研究人員考慮的重要問(wèn)題。文章主要探討傳統(tǒng)目標(biāo)檢測(cè)技術(shù)和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)，并以實(shí)際應(yīng)用案例為參考，分析深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用系統(tǒng)，以供參考。

[關(guān)鍵詞]深度學(xué)習(xí);目標(biāo)視覺(jué)檢測(cè);技術(shù)應(yīng)用

[中圖分類號(hào)]TP18 [文獻(xiàn)標(biāo)志碼]A [文章編號(hào)]2095–6487（2022）04–0–03

Application of Deep Learning in Object Visual Detection

Yu Le

[Abstract]In the new era of continuous innovation and widely application， computer vision technology can be said to be the whole field of science and technology， computer vision technology can also be said to be cutting-edge technology， and computer vision， target vision detection is one of the important tasks， nowadays， all kinds of electronic devices are actually used in people's work life， image data production， because the mass of the accuracy of image recognition has a significant impact on many aspects， in this case， how to further improve the accuracy of target recognition in the image has become an important issue for relevant researchers.The following mainly discusses the traditional object detection technology and the object detection technology based on deep learning， and analyzes the practical application case for the application system of deep learning in object visual detection for reference.

[Keywords]deep learning; target visual detection; technology application

在這個(gè)信息技術(shù)突飛猛進(jìn)的時(shí)代，人們已經(jīng)被各類電子設(shè)備所包圍，從人人離不開(kāi)的手機(jī)到商場(chǎng)車站的刷臉測(cè)溫設(shè)備，可以說(shuō)電子設(shè)備已經(jīng)成了人類社會(huì)必不可少的重要工具。其解放了人力，同時(shí)也能更加準(zhǔn)確高效地完成人力難以完成的工作。而這其中發(fā)揮重要作用的就是目標(biāo)視覺(jué)檢測(cè)技術(shù)，有了這項(xiàng)技術(shù)，攝像頭才能夠在基礎(chǔ)的記錄影像語(yǔ)音的功能上具備識(shí)別人像，并進(jìn)一步分析的能力。目標(biāo)視覺(jué)檢測(cè)技術(shù)應(yīng)用廣泛，作為一項(xiàng)基礎(chǔ)技術(shù)，應(yīng)用于航拍、衛(wèi)星、監(jiān)控等領(lǐng)域，具有廣闊的發(fā)展前景，也是業(yè)內(nèi)人士重點(diǎn)研究的課題，許多專家學(xué)者都在探索深度學(xué)習(xí)對(duì)目標(biāo)視覺(jué)檢測(cè)技術(shù)的革新發(fā)展，這也是本文的研究中心。

1 傳統(tǒng)目標(biāo)檢測(cè)技術(shù)

以前在進(jìn)行目標(biāo)檢測(cè)時(shí)，往往會(huì)通過(guò)4個(gè)步驟執(zhí)行：①做好圖像的預(yù)處理;②選擇圖像候選區(qū)域;③及時(shí)提取區(qū)域特征;④做分類器的分類管理工作。每一個(gè)步驟都要逐一進(jìn)行，并且有很多注意事項(xiàng)。傳統(tǒng)目標(biāo)檢測(cè)技術(shù)流程如圖1所示。

（1）圖像預(yù)處理。實(shí)際工作時(shí)，圖像的好壞往往會(huì)直接影響整個(gè)識(shí)別計(jì)算的精度，所以在傳統(tǒng)目標(biāo)檢測(cè)中，圖像是非常重要的一部分內(nèi)容。相關(guān)的工作人員需要及時(shí)提取相應(yīng)的特征，從實(shí)際情況出發(fā)，做深入的處理工作，如常見(jiàn)的降噪處理、平滑操作等等。這些處理內(nèi)容都是需要完成的工作，這樣才能更全面地去除與檢測(cè)無(wú)關(guān)的信息，讓圖像能夠有更多真實(shí)有用的信息。預(yù)處理工作可以簡(jiǎn)化輸入數(shù)據(jù)，讓后續(xù)的處理能夠更高效、更有針對(duì)性。

（2）區(qū)域的選擇。要想讓任務(wù)更好地完成，就一定要事先劃分區(qū)域，讓圖像可以在對(duì)應(yīng)的區(qū)域完成工作，做好分類和識(shí)別。以前目標(biāo)檢測(cè)技術(shù)通常會(huì)通過(guò)滑動(dòng)窗口選擇區(qū)域，而實(shí)際工作時(shí)，目標(biāo)尺寸大小有非常明顯的差異性，往往無(wú)法明確目標(biāo)大小，必須要從實(shí)際情況出發(fā)做出取舍。而且不同尺寸大小窗口的圖像內(nèi)容，都要做圖像的滑動(dòng)選擇，才能確定所需要的候選區(qū)域。實(shí)際工作時(shí)滑動(dòng)窗口選區(qū)會(huì)增加后續(xù)計(jì)算量，導(dǎo)致計(jì)算冗余以及重復(fù)，并帶來(lái)一系列的后續(xù)問(wèn)題，讓工作量大大增加。

（3）特征提取。作為目標(biāo)檢測(cè)的幾個(gè)環(huán)節(jié)中最重要的一環(huán)，特征提取會(huì)直接影響分類結(jié)果。在展開(kāi)工作時(shí)，相關(guān)單位要結(jié)合特征形狀、特征區(qū)域以及紋理特征等一系列內(nèi)容，做好識(shí)別的調(diào)整，了解不同特征的特性，并把特征提取下來(lái)，在特定場(chǎng)合下識(shí)別使用相應(yīng)特征信息，讓目標(biāo)的形態(tài)、背景等內(nèi)容可以識(shí)別出來(lái)。實(shí)際工作中，目標(biāo)視覺(jué)檢測(cè)往往會(huì)面臨到很多復(fù)雜的場(chǎng)景，而這些場(chǎng)景往往意味著特征的多樣性和多元化，在提取時(shí)會(huì)更加復(fù)雜。而系統(tǒng)無(wú)法準(zhǔn)確識(shí)別時(shí)就需要人工決定，所以某種程度上來(lái)說(shuō)，特征識(shí)別提取還是依賴相關(guān)研究人員的人工操作，在通用性上受到了很大的限制。38A7110E-08E5-4A40-A371-471E19CF5E16

（4）分類器分類。以前傳統(tǒng)分類是需要把相應(yīng)的特征歸入SVM以及Adaboost上。

2 目標(biāo)檢測(cè)技術(shù)

在機(jī)器學(xué)習(xí)時(shí)，深度學(xué)習(xí)是非常重要的內(nèi)容，也是人工神經(jīng)網(wǎng)絡(luò)研究的深入方向。它需要能夠準(zhǔn)確建立一些模型，模擬人的大腦，然后從實(shí)際情況出發(fā)，做好自主分析，根據(jù)神經(jīng)網(wǎng)絡(luò)的情況進(jìn)行研究。深度學(xué)習(xí)包含的內(nèi)容有很多，如卷積神經(jīng)網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等，都是要涉及的神經(jīng)網(wǎng)絡(luò)算法類型。應(yīng)用時(shí)，不同的區(qū)域會(huì)用到不同的網(wǎng)絡(luò)模型，并達(dá)到需要的效果。圖像的檢測(cè)要依靠CNN進(jìn)行特征提取，得到相應(yīng)的圖像特征后，再做分類和定位。卷積神經(jīng)網(wǎng)絡(luò)是整個(gè)目標(biāo)學(xué)習(xí)的基礎(chǔ)，其應(yīng)用是讓系統(tǒng)深度學(xué)習(xí)的基石。

2.1 卷積神經(jīng)網(wǎng)絡(luò)

通常卷積神經(jīng)網(wǎng)絡(luò)都會(huì)用在檢測(cè)中，并且檢測(cè)的效果比較好。實(shí)際應(yīng)用時(shí)特征表達(dá)能力越強(qiáng)，相應(yīng)的目標(biāo)檢測(cè)任務(wù)就可以更好地達(dá)成。適當(dāng)增加網(wǎng)絡(luò)深度，可以讓深層次語(yǔ)義信息更加豐富清晰，更多層次的表達(dá)目標(biāo)的情況。深度神經(jīng)網(wǎng)絡(luò)會(huì)因?yàn)檫@一系列的改動(dòng)而有效提取到對(duì)應(yīng)的特征信息，更順利地達(dá)成目標(biāo)工作內(nèi)容。與傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)相比，卷積神經(jīng)網(wǎng)絡(luò)能更好地處理一系列參數(shù)，讓模型參數(shù)量得到更好的優(yōu)化，也讓傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)存在的模型管理問(wèn)題進(jìn)一步緩解。從實(shí)際設(shè)計(jì)應(yīng)用中可以看出，卷積神經(jīng)網(wǎng)絡(luò)包括卷積層、激勵(lì)層、全連接層以及池化層。它能夠做好局部連接，并且還可以共享權(quán)值。卷積層運(yùn)行原理如圖2所示。

（1）局部連接。實(shí)際應(yīng)用中，局部連接發(fā)揮著非常重要的作用。它是稀疏連接，也是局部感受野，能夠在一定區(qū)域內(nèi)顯示特征，但是如果距離比較遠(yuǎn)，可以得到的特征相關(guān)性就比較弱。人腦想獲得目標(biāo)信息時(shí)，依靠的不是每一個(gè)視覺(jué)神經(jīng)元，而是神經(jīng)元的局部特定地區(qū)去感知。在進(jìn)行計(jì)算統(tǒng)計(jì)時(shí)，很多神經(jīng)元處理信息都涉及了局部特征信息。傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò)的神經(jīng)元感受圖像在一個(gè)特定的區(qū)域，而在優(yōu)化之后，計(jì)算量會(huì)大減少，計(jì)算的復(fù)雜度也會(huì)相應(yīng)減弱。

（2）權(quán)值共享。在進(jìn)行設(shè)計(jì)計(jì)算時(shí)，相關(guān)的工作人員需要明確卷積神經(jīng)網(wǎng)絡(luò)顯示的特點(diǎn)。它能夠在圖像上不斷滑動(dòng)，服務(wù)對(duì)象不同時(shí)，可以通過(guò)相同數(shù)值的濾波器獲取準(zhǔn)確的特征。從實(shí)際應(yīng)用中可以看出權(quán)值共享包含了很多方面的內(nèi)容，它們能夠減少計(jì)算量，降低程序的冗雜性，還可以根據(jù)圖像的不同特征進(jìn)行調(diào)整。

2.2 目標(biāo)檢測(cè)算法

2.2.1 RCNN

隨著時(shí)間的推移，越來(lái)越多網(wǎng)絡(luò)分類投入實(shí)際使用中。相關(guān)研究人員不斷深入研究，與人工提取特征相比，深度神經(jīng)網(wǎng)絡(luò)更具備魯棒性，投入實(shí)際使用時(shí)，其穩(wěn)定性更高，誤差更小。相關(guān)的研究人員開(kāi)始不斷嘗試，將目標(biāo)檢測(cè)任務(wù)與深度神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，進(jìn)行目標(biāo)特征提取。第一個(gè)使用卷積神經(jīng)網(wǎng)絡(luò)提取特征的是RCNN，它通過(guò)4個(gè)步驟來(lái)完成相應(yīng)的工作：選擇區(qū)域、通過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取特征、做好SVM分類，回歸候選框。

2.2.2 FastRCNN

實(shí)際使用時(shí)，RCNN比傳統(tǒng)方式有了很大的提升。它解決了傳統(tǒng)目標(biāo)檢測(cè)存在的很多問(wèn)題，做了更深入的優(yōu)化。然而，RCNN也存在沒(méi)有解決的疑難，如在提取2 000個(gè)候選框后，要把相應(yīng)的候選方送入CNN做更進(jìn)一步的特征。但是2 000個(gè)候選區(qū)域存在著重疊，所以計(jì)算時(shí)也會(huì)重復(fù)計(jì)算。要想做候選區(qū)域的更進(jìn)一步的處理，就一定要先統(tǒng)一尺寸，規(guī)范輸入神經(jīng)網(wǎng)絡(luò)并提取特征，相對(duì)來(lái)說(shuō)還是有些復(fù)雜。使用crop/Wrap處理圖片之后，一些區(qū)域存在著遺失的情況，于是圖像也就失真了。為了處理RCNN的這一系列問(wèn)題，相關(guān)研究人員做了深入的探討。2015年，研究人員將RCNN網(wǎng)絡(luò)結(jié)構(gòu)模型與sppnet結(jié)合在一起，做出了綜合的調(diào)整和改進(jìn)，并給出了fastRCNN結(jié)構(gòu)模型。它給出了roiPooling來(lái)進(jìn)行工作，不同大小特征都可以在該工具的處理中確定下來(lái)。實(shí)際應(yīng)用中，整機(jī)操作可以對(duì)上整張圖像，減少了重復(fù)計(jì)算，整體工作效率大大增加。

3 目標(biāo)視覺(jué)檢測(cè)的案例分析

3.1 系統(tǒng)使用工具介紹

本文以車輛目標(biāo)檢測(cè)的設(shè)計(jì)為例進(jìn)行分析。該案例會(huì)使用的工具包括了Pycharm、Qt Designer、PYUIC、PyRcc。先通過(guò)Pyqt5工具包、pipinstallpyqt5命令、pipinstallpyqt5-tools等內(nèi)容來(lái)進(jìn)行安裝，然后配置QtDesigner、PyUIC、PyRcc，制作UI界面，通過(guò)Button、Label等控件實(shí)現(xiàn)可視化。用戶不用自行編寫(xiě)程序，設(shè)計(jì)界面的方式更直接，程序開(kāi)發(fā)也更加方便。在查看預(yù)覽圖時(shí)，可以直接使用Ctrl+R快捷鍵。QtDesigner可以把UI文件格式轉(zhuǎn)換為python。每一次對(duì)UI文件的改動(dòng)，都需要將UI文件重新轉(zhuǎn)換成python文件。

3.2 系統(tǒng)功能組成

在實(shí)際使用時(shí)，案例中的系統(tǒng)有4個(gè)主要的功能模塊：視頻檢測(cè)結(jié)果展示模塊、模塊加載檢測(cè)模塊、圖片/視頻流加載模塊以及圖片檢測(cè)結(jié)果展示模塊。不同模塊都有不同的針對(duì)事項(xiàng)，在進(jìn)行加載檢測(cè)時(shí)，要注意每個(gè)模塊的功能分區(qū)，結(jié)合模塊的功能要求進(jìn)行優(yōu)化和細(xì)化，在圖片視頻流加載模塊中，需要讓系統(tǒng)自主選擇，根據(jù)圖片或視頻文件的情況來(lái)確定好路徑選擇和展示功能，并做好相應(yīng)的加載，讓模型加載檢測(cè)模塊可以接收到相應(yīng)的文件和信息。而模型加載和檢測(cè)模塊則要在YOLOv3基礎(chǔ)上做更進(jìn)一步修正，根據(jù)車輛檢測(cè)的側(cè)重點(diǎn)以及其算法的權(quán)重做深入的文件配置，并實(shí)現(xiàn)圖片以及視頻的一系列檢測(cè)功能，完成對(duì)應(yīng)的車輛檢測(cè)任務(wù)。圖片檢測(cè)結(jié)果展示模塊則是把前面幾個(gè)模塊處理后得到的檢測(cè)結(jié)果顯示出來(lái)，方便使用者在系統(tǒng)界面上了解檢測(cè)到的信息可。以下拉框查看不同檢測(cè)內(nèi)容的細(xì)節(jié)，根據(jù)車輛類別以及檢測(cè)目標(biāo)位置的信息獲取相應(yīng)的內(nèi)容，讓工作人員更方便地分析檢測(cè)結(jié)果。視頻檢測(cè)信息顯示模塊則是實(shí)時(shí)展示在左上角的位置，顯現(xiàn)處理情況，方便實(shí)時(shí)查看。

3.3 系統(tǒng)主要功能

3.3.1 圖片車輛檢測(cè)

在進(jìn)行汽車檢測(cè)時(shí)，圖片車輛檢測(cè)功能是非常重要的一部分內(nèi)容，相關(guān)的工作人員需要從實(shí)際情況出發(fā)，做好工作的優(yōu)化，根據(jù)現(xiàn)場(chǎng)的狀況進(jìn)行調(diào)整，合理選擇相應(yīng)的文件信息。調(diào)用圖片做識(shí)別，讓車輛檢測(cè)更加方便，可以對(duì)比不同類型車輛的情況，做預(yù)測(cè)框的標(biāo)記，然后顯示相應(yīng)的檢測(cè)信息?？梢悦繖z測(cè)到一個(gè)目標(biāo)就做一次對(duì)應(yīng)的矩形框標(biāo)記，再在下拉列表里找到顯示的具體情況和信息內(nèi)容，做更進(jìn)一步的探討。

3.3.2 視頻車輛檢測(cè)

工作人員在點(diǎn)擊了視頻車輛檢測(cè)按鈕后，就可以及時(shí)跳轉(zhuǎn)并打開(kāi)相應(yīng)的文件界面。在此過(guò)程中需要合理的調(diào)度視頻文件，根據(jù)視頻檢測(cè)模塊完成視頻車輛檢測(cè)功能，顯示檢測(cè)結(jié)果，展示檢測(cè)實(shí)時(shí)幀率，方便處理期間進(jìn)行更深入的識(shí)別和優(yōu)化。

4 結(jié)束語(yǔ)

相對(duì)于傳統(tǒng)的目標(biāo)視覺(jué)檢測(cè)技術(shù)，深度學(xué)習(xí)具有更大的優(yōu)勢(shì)，能夠精準(zhǔn)高效地對(duì)圖像進(jìn)行處理和選擇，不容易受到光線、背景等因素的干擾，是未來(lái)的主要發(fā)展方向，能夠使技術(shù)更好地為人類服務(wù)。但是目前關(guān)于深度學(xué)習(xí)的研究還不夠充分，沒(méi)有一個(gè)較為完善的理論體系的支撐，勢(shì)必會(huì)對(duì)技術(shù)的應(yīng)用造成阻礙，因而應(yīng)當(dāng)不斷完善理論，充實(shí)數(shù)據(jù)，并且在應(yīng)用實(shí)踐中發(fā)現(xiàn)問(wèn)題進(jìn)而改進(jìn)，激發(fā)深度學(xué)習(xí)的優(yōu)勢(shì)，促使目標(biāo)視覺(jué)檢測(cè)技術(shù)更好地發(fā)展。

參考文獻(xiàn)

[1] 張慧，王坤峰，王飛躍.深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J].自動(dòng)化學(xué)報(bào)，2017，43（8）：17.

[2] 杜光景，謝俊，張玉彬，等.用于穩(wěn)態(tài)視覺(jué)誘發(fā)電位腦機(jī)接口目標(biāo)識(shí)別的深度學(xué)習(xí)方法[J].西安交通大學(xué)學(xué)報(bào)，2019，53（11）：7.

[3] 秦龍.基于深度學(xué)習(xí)的交通場(chǎng)景視覺(jué)顯著性區(qū)域目標(biāo)檢測(cè)[D].成都：電子科技大學(xué)，2020.

[4] 劉桂雄，劉思洋，吳俊芳，等.基于深度學(xué)習(xí)的機(jī)器視覺(jué)目標(biāo)檢測(cè)算法及在票據(jù)檢測(cè)中應(yīng)用[J].中國(guó)測(cè)試，2019，45（5）：9.38A7110E-08E5-4A40-A371-471E19CF5E16