基于Jetson TX1的目标检测系统*

2019-09-19张雯婷孙旭泽

沈阳工业大学学报 2019年5期

葛雯，张雯婷，孙旭泽

(1. 沈阳航空航天大学电子与信息工程学院，沈阳 110136； 2. 国家电网辽阳供电公司信息通信分公司，辽宁辽阳 111000)

计算机视觉领域中，目标检测一直是工业应用中比较热门且成熟的应用领域，它涉及场景中目标分类和目标定位的结合，比如人脸识别、车牌识别及行人检测等.因为近年来硬件计算能力变得越来越强，所以在卷积神经网络基础上进行深度学习的研究也得到了不断发展，特别是在机器视觉方面已有不错的成果.刘文生等提出了SSD(单镜头多箱检测器)算法，采用回归方法进行检测，并将定位和分类集成到一个网络中.SSD算法基于VGG-16网络结构，将VGG-16中的全连接层替换为卷积层[1]，然后将各个卷积层分别输出到各自的特征映射，作为特征图预测的输入，最后生成一个多尺度的特征映射进行回归.而YOLO算法是将目标检测转换成一个回归问题，使检测速度得到了极大的提升，不过仍存在一些不足，即检测小目标所得的结果无法达到较高精度[2].通过各路学者不断的努力，YOLO算法得以一次次升级，现在已经升级为YOLOv3，它采用K-means聚类的方法在数据集中得出其边界框最佳的初始位置.为了提高小目标的检测精度，算法采用了多尺度融合[3]，但上述算法的速度还达不到实时效果.对于无人驾驶问题，在提高检测精度的同时，也需要提高实时性能，为了平衡速度与精度两者之间的利弊，本文中改进了YOLOv3网络，使其更适合在硬件上运行.

1 目标检测系统

将自动驾驶应用到实际中，既要提高计算能力，又要考虑实物的成本以及大小等问题，若要满足这些需求，则需使用高性能并具有GPU的多核平台.本文使用了NVIDIA公司开发的嵌入式视觉计算系统Jetson TX1，TX1以256核Maxwell架构GPU为主，在性能上十分节能高效并且外观小巧[4].以Jetson TX1作为核心开发板，将前置摄像头采集到的图像信息输入到TX1中，再通过目标检测算法，检测、识别多种目标，并将读取的信息存储至数据库，同时通过显示屏显示，系统硬件原理框图如图1所示.目前，应用在TX1上的图像检测计算的帧速率虽然很可观，但对于实际应用来说，还有一定差距，因此本文选用最新的YOLOv3算法在此平台上进行改进、提速.

图1 系统硬件原理框图Fig.1 Block diagram of system hardware principle

2 YOLOv3及改进的检测算法

2.1 YOLOv3算法

基于端到端YOLO系列算法的步骤为：首先输入图像并提取网络特征，得到一定大小的特征图(比如13×13)，然后将输入图像划分成13×13个单元格，接着进行边界框预测.某个目标的中心坐标落在哪个单元格中，则由该单元格来预测该目标，每个单元格都会预测固定数量的边界框(YOLOv1中是2个，YOLOv2中是5个，YOLOv3中是3个)，这几个边界框中只有最大的边界框才会被选定用来预测该目标[5].

相较于前两代YOLO，第三代YOLOv3有了很大进步，各方面都复杂得多，而且无论是在速度方面还是结果的精度方面，对比其他深度学习算法(SSD、R-FCN等)，YOLOv3的优势都是最明显的[6].YOLOv3首先对边界框预测，采用K-means聚类的方式对Anchor Box进行初始化，得到多个Anchor Box的尺寸、位置信息[7]，其次，采用多标签分类，该操作是通过logistic分类器来实现的，取代了以往的softmax分类，这是YOLOv3的一大亮点，解决了重叠类别标签检测不出的问题.另外，类别预测中的损失函数采用二元交叉熵，特别针对小目标检测，还采用了多尺度融合进行特征提取，采用Darknet-53特征提取网络，包括53个卷积层和残差结构.YOLOv3虽然改进了YOLO一直以来不擅长检测小物体的缺点，并一直保证着高检测速度，但平均准确率(mAP)并不高.

2.2 改进的YOLOv3检测算法

2.2.1 激活函数的改进

YOLOv3中所采用的损失函数主要由激活函数sigmoid和二元交叉熵组成，其中输入的连续实值经过sigmoid函数激活后，输出值都会在0～1范围内，但在深度神经网络中梯度反向传递时，要对sigmoid求导，求导后两边趋向于0，也就意味着很大几率会出现梯度消失的现象，甚至还有几率发生梯度爆炸，而且sigmoid所输出数据都大于0，那么收敛速度会受到相应的影响[8].本文结合sigmoid函数和ReLU函数存在的问题，将激活函数改进为

(1)

式中，参数α、β为可调整参数，神经网络更新α的方式为

(2)

式中，μ、ε分别为激活函数通过反向传播进行训练得到的动量和学习率.本文采用αi=0.25作为初始值，β则控制着负值部分在何时饱和，最终通过不断测试对比，选取β=0.5[9].改进后的激活函数其总体输出接近0均值，这样下一层的神经元得到0均值作为输入，能够提升收敛速度，还解决了梯度消失以及ReLU函数中的Dead ReLU问题.加入参数α、β后，可以避免引起某些神经元可能永远不会被激活，导致相应的参数永远不能被更新的情况.

2.2.2 采用多级特征金字塔网络

YOLOv3中采用的多尺度融合(FPN)是通过自上而下的方式融合深层和浅层的特征来构造特征金字塔.虽然采用FPN后，大幅度提升了小物体的检测能力，但对于一些大、中物体检测能力偏弱，这是因为金字塔中的每个特征图(用于检测特定大小范围内的对象)主要或甚至仅通过骨干网络单层构建，即主要或仅包含单层信息.图像中所包含的各个目标大小不一，所以应当根据相应的特征分别进行检测，目标可大致分为简单目标与复杂目标两种，对于前者仅仅是浅层特征便可检测到，其所包含语义信息不多，可优势在于目标位置准确；对于后者，则需要较深层的特征，其语义信息相对更多，可不足在于目标位置较模糊[10].而多级特征金字塔网络最后可以提取同一尺度在不同层内的特征，解决了FPN方法的局限性.

本文的多级特征金字塔网络(MLFPN)结构如图2所示，结构保留YOLOv3中的DarkNet-53并作为主要特征提取网络.将MLFPN嵌入到DarkNet-53网络后，首先将DarkNet-53网络提取的3个层次特征(大小分别为13×13、26×26、52×52)通过特征融合模块(FFM)融合，将融合后的特征图(大小为52×52)作为基本特征，再依次由多个U形模块(TUM)和FFM对基本特征进行处理，这样所提取的特征代表性会更强.其中TUM用来产生多个不同尺度的特征图，且不同TUM内解码器层的深度基本一致，每个TUM由5个跨步卷积(编码器)和5个上采样组成，最终将输出6种尺度的特征，本文输出大小依次为52×52、26×26、13×13、7×7、3×3、1×1的特征图.每一级的输出可表示为

(3)

图2 MLFPN结构图Fig.2 MLFPN structure diagram

3 实验结果

3.1 数据集及实验环境

本文的实验环境如表1所示，本文所用的数据集是公开的目标检测标注对比数据集PASCAL VOC 2012.为了确定现有算法是否具备更高的性能，本文所建模型不管是在训练时还是在测试时，都是通过开放数据集而实现.Pascal VOC 2007数据集共包含20个类别，11 540幅图像，27 450个被标注的目标.设置召回率阈值等于0.5，最大边框检测数量是20个.

表1 实验环境Tab.1 Experimental environment

3.2 结果分析

本文分别用改进的YOLOv3网络和Faster-rcnn、YOLOv3算法来检测目标，通过数据集的样本验证训练模型的检测效果，最终检测结果如图3所示.由图3可知，改进后的YOLOv3准确率超过80%，并且其检测效果相比另两种算法有较大的提升.

本文选取数据集中几张图片的检测结果进行对比，对比结果如图4所示.由图4中标出的准确率和识别框数以及表2中各类别mAP对比可证明，无论是普通背景单目标图像、多目标图像，还是有遮挡目标图像，改进的YOLOv3算法都展现了比YOLOv3更好的检测能力，可以更为精准地检测目标，降低了漏检率.

图3 检测方法对比Fig.3 Comparison of detection methods

图4 YOLOv3和改进的YOLOv3检测结果图Fig.4 Detection results of YOLOv3 before and after improvement

表2 各类别mAP对比表Tab.2 Comparison of different mAP %

将改进的YOLOv3算法应用到TX1开发板中的检测结果如图5所示.静态图像检测结果如图5中a、b、c、d所示；导入一段视频后，动态视频检测结果截图如图5e、f、g、h所示.根据对比图可以看出，改进后的算法可以将较远的小目标和重叠的目标识别出来，漏检率明显降低.其中图5e、f和图5g、h分别为视频中截取的第13帧和32帧，由图5以及表3(对视频进行目标检测的速度及mAP对比表)可以看出，改进的YOLOv3相较于YOLOv3的mAP增长了1.47倍，且检测速度提高了1.13倍.

4 结论

文中将YOLOv3中的特征金字塔、激活函数改进后，利用嵌入式GPU平台在Jetson TX1上实现目标检测，借助CUDA编程进行并行算法，从而实现目标检测，改进的YOLOv3可以更高速地提取精确结果.由于GPU硬件技术近年来不断获得发展，并且随着研究进一步深入，将深度学习算法应用到具有实时处理能力的、带有强大高性能运算能力的GPU设备中已经成为可能，届时整个目标检测与跟踪过程可以更加高效、准确的实现.