目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)新興的應(yīng)用方向。

目標(biāo)定位

圖像分類是對(duì)圖像進(jìn)行分類，比如判斷圖像中是否是車。定位分類不僅要圖片分類，而且需要確定目標(biāo)在圖像中的哪個(gè)位置。目標(biāo)檢測(cè)中要識(shí)別的對(duì)象不僅僅只有一個(gè)，目標(biāo)檢測(cè)要識(shí)別圖像中多個(gè)對(duì)象。

自動(dòng)駕駛需要用到目標(biāo)檢測(cè)技術(shù)。給出一張汽車行駛中的圖片

我們需要判斷圖中1-是否有行人，2-是否有車，3-是否有摩托車，4-圖片是否只是背景圖，還需要判斷圖中汽車的位置。設(shè)圖片左上角的坐標(biāo)是(0,0)，右下角坐標(biāo)為(1,1)。圖中汽車的中心點(diǎn)位置大概為(b_x=0.5,b_y=0.7)，汽車的長(zhǎng)和高分別是bw=0.3和bh=0.4。我們訓(xùn)練的神經(jīng)網(wǎng)絡(luò)就要有兩種類型的輸出，一種是4種對(duì)象的檢測(cè)，另外一種是車的位置信息。

我們定義這張圖片的標(biāo)簽y要包含下面幾個(gè)元素

如果圖片中有任意的對(duì)象，比如上圖，那么

如果圖片中什么都沒有，那么

其中第一個(gè)元素置為0，其它元素可以不用設(shè)置，因?yàn)槎紱]有任何對(duì)象了，我們不關(guān)心其它的信息了。

目標(biāo)定位的損失函數(shù)是

這里簡(jiǎn)單地使用了平方損失函數(shù)。

特征點(diǎn)檢測(cè)

除了可以使用矩形框標(biāo)出目標(biāo)在圖片中的位置，還可以使用特征點(diǎn)來表示目標(biāo)的位置。

在人臉檢測(cè)中，可以使用特征點(diǎn)來表示人臉的位置，或者具體的部位，比如眼睛，鼻子，嘴巴。

樣本的標(biāo)簽y是一個(gè)坐標(biāo)點(diǎn)的集合，第1個(gè)點(diǎn)表示左眼左側(cè)眼角，第2個(gè)點(diǎn)表示左眼右側(cè)眼角，第3個(gè)點(diǎn)表示右眼左側(cè)眼角，以此類推。

特征點(diǎn)檢測(cè)有許多應(yīng)用場(chǎng)景。比如說AR，在人的頭上顯示一個(gè)皇冠，需要得到人臉的特征點(diǎn)位置，然后判斷人臉的傾斜度，最后把皇冠“戴”到頭上。

滑動(dòng)窗體檢測(cè)

為了從一幅大圖中找出圖中汽車的位置，需要用到活動(dòng)窗體檢測(cè)。首先使用汽車圖片訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，用于汽車分類。接著設(shè)置一個(gè)窗體，該窗體在大圖上從上往下從左往右慢慢移動(dòng)，每移動(dòng)一步，把窗體截取的內(nèi)容使用汽車分類器進(jìn)行分類，如果檢測(cè)到有汽車，說明圖中的汽車位置在窗體的位置上。接著使用一個(gè)更大的窗體，重復(fù)上述步驟。

滑動(dòng)窗體的移動(dòng)步長(zhǎng)設(shè)置大一些，可以減少汽車分類器的分類次數(shù)，但是可能會(huì)出現(xiàn)這種情況，窗體中的汽車只有車身的一部分，分類器不能識(shí)別，這樣導(dǎo)致整個(gè)系統(tǒng)的性能降低。

把圖片分成一塊塊區(qū)域，然后分別使用分類器分類，這樣的滑動(dòng)窗體的效率非常低。我們需要一個(gè)高效率的滑動(dòng)窗體的方法。

首先要介紹把全連接層轉(zhuǎn)成卷積層。

把上圖的第一個(gè)全連接層，改成用5×5×16的過濾器來卷積，一次卷積的操作數(shù)是所有輸入值，這相當(dāng)于一次全連接，然后設(shè)置過濾器的數(shù)量為400，相當(dāng)于計(jì)算全連接層的400個(gè)輸出值。同理，把第二個(gè)全連接層改成用400個(gè)1×1×400的過濾器來卷積，得到的1×1×400輸出就是第二個(gè)全連接層的輸出。如此類推，最后得到1×1×4的輸出就是softmax層的輸出。

高效率的滑動(dòng)窗體的方法是使用卷積來實(shí)現(xiàn)滑動(dòng)窗體。

上圖第一行表示一幅14×14×3的圖片使用卷積網(wǎng)絡(luò)進(jìn)行分類的過程。其中全連接層使用卷積層實(shí)現(xiàn)。上圖的下一行表示在一幅大圖中實(shí)現(xiàn)滑動(dòng)窗體的計(jì)算。首先只觀察藍(lán)色方塊，這是一個(gè)滑動(dòng)窗體，這個(gè)藍(lán)色方塊的大小滿足上一行卷積網(wǎng)絡(luò)的規(guī)格，把藍(lán)色方塊帶入卷積網(wǎng)絡(luò)，注意黃色區(qū)域也代入卷積網(wǎng)絡(luò)中。最后2×2×4的藍(lán)色塊表示藍(lán)色方塊的分類結(jié)果。然后觀察綠色框的區(qū)域，這是另外一個(gè)滑動(dòng)窗體，你會(huì)發(fā)現(xiàn)卷積網(wǎng)絡(luò)中綠色框的值就是綠色框區(qū)域在上一行卷積網(wǎng)絡(luò)中的結(jié)果。把大圖輸入到卷積網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)會(huì)同時(shí)計(jì)算大圖的所有的相同大小滑動(dòng)窗體的分類結(jié)果，這就加快了滑動(dòng)窗體的分類效率。

Bounding Box 預(yù)測(cè)

滑動(dòng)窗體檢測(cè)對(duì)象的位置不是很精確，例如

黑色框是滑動(dòng)窗體分割的區(qū)域，在綠色框和黃色框中有汽車。直接把綠色框和黃色框作為圖片中汽車的位置太粗略了，我們需要更加精確的汽車位置。這時(shí)可以使用到前面所說的目標(biāo)定位的知識(shí)。

我們訓(xùn)練的分類器不僅僅要輸出圖片是否有汽車，還要輸出汽車在圖片中的位置（Bounding Box），所以可以使用目標(biāo)定位使用的y,

把這張大圖輸入進(jìn)卷積網(wǎng)絡(luò)，最后得到的輸出為3×3×8的矩陣，其中3×3代表滑動(dòng)窗體，8表示每個(gè)滑動(dòng)窗體的目標(biāo)定位的8個(gè)預(yù)測(cè)結(jié)果。根據(jù)預(yù)測(cè)結(jié)果中的汽車位置信息，可以精確到汽車的具體位置。

這些方法來自YOLO算法。

交并比

交并比函數(shù)用于判斷算法的定位預(yù)測(cè)是否正確。

紅色框是正確的汽車位置，紫色框是預(yù)測(cè)的位置，交并比函數(shù)是指兩者交集和并集的比。圖中黃色區(qū)域指的是二者的交集，綠色區(qū)域指的是二者的并集，交并比函數(shù)公式是

然后設(shè)置一個(gè)閾值，比如說0.5，如果IoU>0.5，則算法的定位預(yù)測(cè)沒有問題。如果需要算法預(yù)測(cè)效果更加精確，閾值可以設(shè)置得更高。

非極大值抑制

滑動(dòng)窗體檢測(cè)有一個(gè)問題，就是一個(gè)對(duì)象可能會(huì)多次被檢測(cè)到。例如

滑動(dòng)窗體把圖片分成19×19個(gè)區(qū)域，算法檢測(cè)到綠色區(qū)域和黃色區(qū)域都有汽車。這幾個(gè)區(qū)域都是汽車的一部分，它們組合起來，擴(kuò)充更大的區(qū)域，才是完整的汽車。

上圖是一個(gè)物體被多次檢測(cè)到的情況。非極大值抑制會(huì)清除多余的檢測(cè)結(jié)果，比如，保留上圖中pc值最高的兩個(gè)（0.8和0.9）檢測(cè)結(jié)果。

非極大值抑制算法的具體過程如下。

每個(gè)滑動(dòng)窗體輸出的預(yù)測(cè)值的形式是。

首先設(shè)置一個(gè)IoU閾值，比如0.5和一個(gè)概率閾值（置信度），比如0.6，清除所有 pc<0.6 的窗體。

如果還有剩下的窗體，執(zhí)行下面的循環(huán)：

選擇pc值最大的輸出作為預(yù)測(cè)結(jié)果。

清除所有剩下的與前一步選擇的窗體IoU>0.5的窗體。

Anchor boxes

上述所說的都是一個(gè)窗體檢測(cè)一個(gè)對(duì)象，現(xiàn)在了解一下一個(gè)窗體同時(shí)檢測(cè)多個(gè)對(duì)象的情況。如果兩個(gè)物體對(duì)象同時(shí)出現(xiàn)在一個(gè)窗體中，它們的中心點(diǎn)位置相同，需要算法能夠同時(shí)識(shí)別這兩個(gè)物體對(duì)象。

上圖中行人和車的中心點(diǎn)都在同一個(gè)位置，之前所說的算法只能檢測(cè)到一個(gè)對(duì)象，因此需要修改算法。

圖中的行人和汽車的形狀不同，行人的矩形框比較長(zhǎng)，汽車的矩形框比較寬，定義這些矩形框叫Anchor box，如下圖所示

為了能夠同時(shí)檢測(cè)到Anchor box1和Anchor box2，需要修改標(biāo)簽y。本來y只有8個(gè)元素，現(xiàn)在y有16個(gè)元素，前8個(gè)元素用來輸出Anchor box1的位置，后8個(gè)元素用來輸出Anch box2的位置。pc表示對(duì)應(yīng)的對(duì)象是否存在。

上圖的標(biāo)簽y是下圖的中間向量

如果行人離開的圖片中，那么y值變?yōu)樯蠄D的右邊向量。因?yàn)樾腥瞬辉趫D片中，Anchor box1的位置信息就沒有意義了，用？表示。

YOLO算法

現(xiàn)在來簡(jiǎn)單介紹YOLO算法的整個(gè)過程。

有一個(gè)例子是檢測(cè)圖片中的行人、汽車和摩托車。我們的算法主要檢測(cè)行人和汽車，因此使用兩個(gè)Anchor box。每個(gè)窗體的標(biāo)簽值y就如同下圖所示，有16個(gè)元素，一半用來記錄行人的位置信息，另一半用來記錄汽車的位置信息。

我們使用3×3的滑動(dòng)窗體，不過一般使用更小的滑動(dòng)窗體，比如19×19。訓(xùn)練出來的卷積網(wǎng)絡(luò)最后輸出的預(yù)測(cè)值大小是3×3×16。

對(duì)一張圖片進(jìn)行檢測(cè)，每個(gè)窗體都會(huì)檢測(cè)到兩個(gè)位置信息，如下圖。對(duì)象的邊界的方框可能會(huì)超出窗體。

先把低于概率閾值的位置信息去掉

接著,對(duì)每個(gè)類別（行人和汽車），使用非極大值抑制算法來確定最終的位置。

R-CNN

R-CNN（帶區(qū)域的CNN）提出了候選區(qū)域（Region proposal）的概念。R-CNN認(rèn)為滑動(dòng)窗體有時(shí)會(huì)檢測(cè)什么對(duì)象都沒有的區(qū)域，這會(huì)浪費(fèi)時(shí)間，比如在下圖的兩個(gè)藍(lán)色區(qū)域，是沒有行人或汽車出現(xiàn)，對(duì)這兩個(gè)區(qū)域進(jìn)行卷積運(yùn)算會(huì)降低系統(tǒng)的效率。

R-CNN對(duì)圖片進(jìn)行圖片分割，得到一幅圖片的區(qū)域圖

不同的顏色塊代表圖片的不同區(qū)域，這些顏色塊可以作為候選區(qū)域，R-CNN認(rèn)為這些區(qū)域可能含有我們的目標(biāo)對(duì)象，直接檢測(cè)這些候選區(qū)域比檢測(cè)所有的滑動(dòng)窗體要快。

實(shí)際上R-CNN比YOLO要慢一些，但是R-CNN的思想值得借鑒。R-CNN自發(fā)表出來，已經(jīng)有速度更快的版本。

R-CNN：最初的R-CNN算法，一次只對(duì)一個(gè)候選區(qū)域進(jìn)行分類，輸出的是label和bounding box（是否有對(duì)象和對(duì)象的位置）。

Fast R-CNN：使用滑動(dòng)窗體的卷積實(shí)現(xiàn)來對(duì)所有的候選區(qū)域進(jìn)行分類。

Faster R-CNN：使用卷積網(wǎng)絡(luò)來獲取候選區(qū)域。

版權(quán)聲明：本文轉(zhuǎn)自CSDN（叫什么就是什么），遵循 CC 4.0 BY-SA 版權(quán)協(xié)議，轉(zhuǎn)載請(qǐng)附上原文出處鏈接和本聲明。
本文鏈接：https://blog.csdn.net/qq_24548569/article/details/81177007