深度学习基础（六）卷积神经网络——目标检测

参考文章
【特征检测】HOG特征算法
第二十九节，目标检测算法之R-CNN算法详解
目标检测：SPP-net
一文读懂Faster RCNN
目标检测|YOLO原理与实现

深度学习基础（六）卷积神经网络——目标检测

• • 目标检测介绍

  • HOG特征检测算法

  • 传统方法——DPM

  • 神经网络分类——RCNN

  • RCNN的改进——SPP-net

  • RCNN的改进—fast-RCNN

  • RCNN的改进—faster-RCNN

  • • RPN Region Proposal Networks
    • • anchors

  • bounding box regression原理

    • ROI pooling
    • Classification

  • 神经网络回归——YoLo

  • • • 分割

  • 预测

  • 神经网络回归——SSD
    

目标检测介绍

目标检测：利用神经网络进行目标识别，同样的目标变为坐标值

回归 是将目标的位置作为变量，特点是算的比较快，但是没有那么准确。
分类 是将目标进行分块。对分块后的图片进行识别，问题主要在于分类框 的选择，选的好的话识别率会很高。

小结：

• 目标探测任务
• 目标检测任务分为回归和分类问题
• 分类的主要思想是找出目标所在的大概位置，在大概位置中进行识别

HOG特征检测算法

HOG（Histogram of Oriented Gridients的简写）特征检测算法，主要思想是：在边缘具体位置未知的情况下，边缘方向的分布也可以很好的表示行人目标的外形轮廓。

HOG特征检测算法的几个步骤：

1. 颜色空间归一化
2. 梯度计算
3. 梯度方向直方图
4. 重叠块直方图归一化
5. HOG特征

1、颜色空间归一化
避免因为颜色和光照影响图像识别的效果；一般通过两个步骤进行修改
图像灰度化：

Gamma校正 ：将图像中的整体亮度提高或者减低。

2、梯度计算
计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值；求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。其思想可以理解为计算每个像素点的变化方向，找到最大比变化的方向，这些方向也就是边缘点 。

最常用的方法是： 首先用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向（水平方向，以向右为正方向）的梯度分量gradscalx，然后用[1,0,-1]T梯度算子对原图像做卷积运算，得到y方向（竖直方向，以向上为正方向）的梯度分量gradscaly。然后再用以上公式计算该像素点的梯度大小和方向。

3、梯度方向直方图
将图像划分成若干个cells（单元），8x8=64个像素为一个cell，相邻的cell之间不重叠 。在每个cell内统计梯度方向直方图，将所有梯度方向划分为9个bin（即9维特征向量），作为直方图的横轴，角度范围所对应的梯度值累加值作为直方图纵轴，每个bin的角度范围如下。

4、重叠块直方图归一化
将cell组合为block进行图像的分割，这样是为了增加在环境和背景情况下的图像识别率。

假设有一幅图像大小为220x310，将其划分成若干个8x8的cells，显然220÷8=27.5、310÷8=38.75不是整数，也就是说划分之后依然还有多余像素不能构成cell。处理办法是将图像缩放成能被8整除的长宽（如216x304），再划分。216÷8=27，304÷8=38，因此，216x304的图像可以得到27x38个cells，没有重叠。

以上述缩放后的图像为例，共得到27x38个cell，也就是将图像划分成了27x38个单元；将上下左右相邻的2x2个cells当做一个block整体，如下所示（为方便观察，每个颜色框故意错开了一点），黑色的8x8像素为一个cell，红、蓝、黄、粉红、绿框都是一个block，即每个框内2x2的cell组成一个block。故27x38个cell可划分成26x37个block，每个block为16x16像素。相邻block之间是有重叠的，这样有效的利用了相邻像素信息，对检测结果有很大的帮助。

接下分别对每个block进行标准化，一个block内有4个cell，每个cell含9维特征向量，故每个block就由4x9=36维特征向量来表征。

经过上述对有重叠部分block的直方图归一化之后，将所有block的特征向量都组合起来，则形成26x37x36=34632维特征向量，这就是HOG特征，这个特征向量就可以用来表征整个图像了。

实际上，在运用的时候，我们通常是选取一幅图像中的一个窗口来进行特征提取，依然以上述220X310大小图像为例，经过缩放处理后为216x304，但并不直接提取整个图像的HOG特征，而是用一个固定大小的窗口在图像上滑动，滑动的间隔为8个像素，opencv中默认的窗口大小为128x64（高128，宽64），即有(128÷8)x(64÷8)=16x8个cell，也即有15x7个block，这样一来一幅图像就可以取到(27-15)x(38-7)=12x31=372个窗口。现在提取每个窗口的HOG特征，则可得到105x36=3780维HOG特征向量。

将这330个3780维的HOG特征当做测试样本，用支持向量机（SVM）分类器来判别出，这些窗口的HOG特征是否有行人，有行人的用矩形框标记起来。HOG行人特征及所对应的SVM分类器的参数，在opencv中已经训练好了，我们只需要得到HOG特征，然后调用SVM即可得到判别结果。

传统方法——DPM

基本思想：提取图像特征，制作激励模板，在原始图像滑动计算，得到激励效果图，根据激励分布确定目标位置。

人为设计一个卷积核，使用卷积核对原图像进行卷积运算计算得到一个特征图，通过特征图来判断是否为所需要的识别的物体，但是由于存在方向或者姿态等影响到我们图像识别的因素，我们在进行识别时可以采用局部识别的方式，例如不去识别一个人的整体而是通过识别一个模板，例如，头，胳膊，腿等方式进行识别。

DPM算法的步骤：

1、产生多个模板，整体模板以及不同的局部模板；

2、拿这些不同的模板同输入图像“卷积”产生特征图；

3、将这些特征图组合形成融合特征；

4、对融合特征进行传统分类，回归得到目标位置。

DPM算法优点：

1、方法直观简单；

2、运算速度块；

2、适应动物变形；

神经网络分类——RCNN

通过分割多个位置，不同尺寸的图片，用卷积神经网络判断图片是否为某物。

RCNN的基本还是按照提取框，对每个框提取特征、图像分类、非极大值抑制等步骤进行识别的。只是在一些小部分上进行了改进。

• 经典的目标检测算法使用滑动窗法依次判断所有可能的区域。而这里预先提取一系列较可能是物体的候选区域，之后仅在这些候选区域上提取特征，进行判断,大大减少了计算量。
• 将传统的特征(如SIFT,HOG特征等)换成了深度卷积网络提取特征。

在训练时使用两个数据库：

• 一个较大的识别库（ImageNet ILSVC 2012）：标定每张图片中物体的类别。一千万图像，1000类。
• 一个较小的检测库（PASCAL VOC 2007）：标定每张图片中，物体的类别和位置。一万图像，20类。

使用识别库（ImageNet）进行预训练，而后用检测库（VOC fine-tuning）调优参数。最后在检测库上评测。

RCNN算法简述

数据集采用pascal VOC，这个数据集的object一共有20个类别。

首先用selective search方法在每张图像上选取约2000个region proposal，region proposal就是object有可能出现的位置。

然后根据这些region proposal构造训练和测试样本，注意这些region proposal的大小不一，另外样本的类别是21个（包括了背景）。

然后是预训练，即在ImageNet数据集下，用AlexNet进行训练。然后再在我们的数据集上fine-tuning，网络结构不变（除了最后一层输出由1000改为21），输入是前面的region proposal进行尺寸变换到一个统一尺寸227×227，保留f7的输出特征2000×4096维。

针对每个类别（一共20类）训练一个SVM分类器 ，以f7层的输出作为输入，训练SVM的权重4096×20维，所以测试时候会得到2000×20的得分输出，且测试的时候会对这个得分输出做NMS（non-maximun suppression），简单讲就是去掉重复框的过程。同时针对每个类别（一共20类）训练一个回归器，输入是pool5的特征和每个样本对的坐标即长宽。

RCNN的改进——SPP-net

在R-CNN中，候选区域需要进过变形缩放，以此适应CNN输入，那么能不能修改网络结构，使得任意大小的图片都能输入到CNN中呢？作者提出了spatial pyramid pooling结构来适应任何大小的图片输入。

由于FC层的存在，普通的CNN通过固定输入图片的大小来使得全连接层输入固定。作者不这样思考，既然卷积层可以适应任何尺寸，那么只需要在卷积层的最后加入某种结构，使得后面全连接层得到的输入为固定长度就可以了。

在最后的卷积层和全连接层之间加入SPP层。具体做法是，在conv5层得到的特征图是256层，每层都做一次spatial pyramid pooling。先把每个特征图分割成多个不同尺寸的网格，比如网格分别为4×4、2×2、1×1,然后每个网格做max pooling ，这样256层特征图就形成了16×256，4×256，1×256维特征，他们连起来就形成了一个固定长度的特征向量（16+4+1），将这个向量输入到后面的全连接层。

RCNN的改进—fast-RCNN

Fast-cnn可以看做是针对SPP-net与RCNN的增强版，针对两个方法中存在的问题提出了以下的解决方案：

1. RCNN中存在大量的重叠的proposal选择框，因为在RCNN中针对每个选择框都需要进行单独的卷积运算，计算量比较大。是否可以缩小计算量？
2. 训练的空间需求大。因为RCNN中，独立的分类器和回归器需要很多的特征作为训练。RCNN中提取候选框，提取特征和分类回归是分开的，可独立。
3. SPP-net通过最后的maxPooling提取了多个维度的特征，但是计算量依然很大，是否可以再缩减？

针对以上的问题，fastcnn有以下的贡献

1. fast-rcnn提出的想法是将整个图进行卷积运算提取特征，将整张图像归一化后直接送入深度网络。在邻接时，才加入候选框信息，在末尾的少数几层处理每个候选框。
2. 将regressor放进网络一起训练，每个类别对应一个regressor，同时用softmax代替原来的SVM分类器。
3. 用ROI pooling进行特征的尺寸变换，ROI层最后得到的特征为固定值不在需要进行多次的maxpooling，计算量减少。
   

RCNN的改进—faster-RCNN

经过R-CNN和Fast RCNN的积淀，Ross B. Girshick在2016年提出了新的Faster RCNN，在结构上，Faster RCNN已经将特征抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一个网络中，使得综合性能有较大提高，在检测速度方面尤为明显。

Faster RCNN其实可以分为4个主要内容：

1. Conv layers。 作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取image的feature maps。该feature maps被共享用于后续RPN层和全连接层。
2. Region Proposal Networks。 RPN网络用于生成region proposals。该层通过softmax判断anchors属于positive或者negative，再利用bounding box regression修正anchors获得精确的proposals。
3. Roi Pooling。 该层收集输入的feature maps和proposals，综合这些信息后提取proposal feature maps，送入后续全连接层判定目标类别。
4. Classification。 利用proposal feature maps计算proposal的类别，同时再次bounding box regression获得检测框最终的精确位置。

对于一个输入的

• 首先缩放至固定大小MxN，然后将MxN图像送入网络；
• Conv layers中包含了13个conv层+13个relu层+4个pooling层；
• RPN网络首先经过3x3卷积，再分别生成positive anchors和对应bounding box regression偏移量，然后计算出proposals；
• 而Roi Pooling层则利用proposals从feature maps中提取proposal feature送入后续全连接和softmax网络作classification
  

由于对于CNN网络已经比较了解，这里不再叙述feature map的生成过程目前只需要了解这个feature map是由ROI Pooling和RPN共享的。之后主要描述RPN网络以及RoI pooling两个部分。

RPN Region Proposal Networks

下图为RPN网络结构

可以看到RPN网络实际分为2条线

• 上面一条通过softmax分类anchors获得positive和negative分类。
• 下面一条用于计算对于anchors的bounding box regression偏移量，以获得精确的proposal。
• 而最后的Proposal层则负责综合positive anchors和对应bounding box regression偏移量获取proposals，同时剔除太小和超出边界的proposals。其实整个网络到了Proposal Layer这里，就完成了相当于目标定位的功能。

anchors

所谓anchors，实际上就是一组由rpn/generate_anchors.py生成的矩形。直接运行作者demo中的generate_anchors.py可以得到以下输出：

[[ -84. -40. 99. 55.]
[-176. -88. 191. 103.]
[-360. -184. 375. 199.]
[ -56. -56. 71. 71.]
[-120. -120. 135. 135.]
[-248. -248. 263. 263.]
[ -36. -80. 51. 95.]
[ -80. -168. 95. 183.]
[-168. -344. 183. 359.]]

其中每行的4个值 (x_1,y_1,x_2,y_2) 表矩形左上和右下角点坐标。9个矩形共有3种形状，长宽比为大约为width:height \in \left\{ {1:1,1:2,2:1} \right\}三种，如图6。实际上通过anchors就引入了检测中常用到的多尺度方法 。

遍历Conv layers计算获得的feature maps，为每一个点都配备这9种anchors作为初始的检测框。 这样做获得检测框很不准确，不用担心，后面还有2次bounding box regression可以修正检测框位置。

1. 在原文中使用的是ZF model中，其Conv Layers中最后的conv5层num_output=256，对应生成256张特征图，所以相当于feature map每个点都是256-dimensions
2. 在conv5之后，做了rpn_conv/3x3卷积且num_output=256，相当于每个点又融合了周围3x3的空间信息（猜测这样做也许更鲁棒？反正我没测试），同时256-d不变
3. 假设在conv5 feature map中每个点上有k个anchor（默认k=9），而每个anhcor要分positive和negative，所以每个点由256d feature转化为cls=2×k 个scores；而每个anchor都有(x, y, w, h)对应4个偏移量，所以reg=4×k 个偏移量。
4. 补充一点，全部anchors拿去训练太多了，训练程序会在合适的anchors中随机选取128个postive anchors+128个negative anchors进行训练

其实RPN最终就是在原图尺度上，设置了密密麻麻的候选Anchor。然后用cnn去判断哪些Anchor是里面有目标的positive anchor，哪些是没目标的negative anchor。所以，仅仅是个二分类而已！

bounding box regression原理

所示绿色框为飞机的Ground Truth(GT)，红色为提取的positive anchors，即便红色的框被分类器识别为飞机，但是由于红色的框定位不准，这张图相当于没有正确的检测出飞机。所以我们希望采用一种方法对红色的框进行微调，使得positive anchors和GT更加接近。

针对红框变为绿框中需要进行的变化为平移以及拉伸，对于长宽分别需要两个数字表示，因此共需要4个元素进行变换。

针对这个要求得到对应的损失函数为

在了解bounding box regression后，再回头来看RPN网络第二条线路

Proposal Layer负责综合所有[d_x(A),d_y(A),d_w(A),d_h(A)] 变换量和positive anchors，计算出精准的proposal，送入后续RoI Pooling Layer。

RPN网络结构就介绍到这里，总结起来就是：
生成anchors - > softmax分类器提取positvie anchors -> bbox reg回归positive anchors -> Proposal Layer生成proposals

ROI pooling

ROI层的特点已经在上面说通过不同的输入图像，提取出特定相同大小的特征图方便特征的计算。

Classification

Classification部分利用已经获得的proposal feature maps，通过full connect层与softmax计算每个proposal具体属于那个类别（如人，车，电视等），输出cls_prob概率向量；同时再次利用bounding box regression获得每个proposal的位置偏移量bbox_pred，用于回归更加精确的目标检测框。Classification部分网络结构如下图。

神经网络回归——YoLo

在分类中我们最后在fasterRCNN中使用了proposal进行了特征框的提取。那能否在特征框的提取中进行目标的检测呢？

YoLo的主要分为两步走：

1. 对于图像进行分割
2. 对于图像进行预测

分割

为了减少滑动窗口的计算量，对于图片的计算中是直接进行图片的分割（已经resize成一个固定大小的输入），例如一个256×256大小的一个图片，分割成一个S×S大小的网络，每个单元格中会预测B个边界框，以及每个边界框的置信度。

每个边框的置信度包括两个方面，边框含有目标的可能性Pr(Object)（是否为背景，如果为背景则为0）以及IOU交并比。其实置信度的定义为两个相乘：

在置信度之后还要给出每个分类的预测值C。

总结一下
每个单元格需要预测 (B*5+C) 个值。如果将输入图片划分为 S×S 网格，那么最终预测值为 S×S×(B*5+C)大小的张量。整个模型的预测值结构如下图所示。对于PASCAL VOC数据，其共有20个类别，如果使用 S=7,B=2 ，那么最终的预测结果就是7×7×30大小的张量。每个单元格的预测值的分布位置为（20个类别的概率+两个预测框的可信度+两个4维的预测框的偏移量）。

预测

Yolo算法将目标检测看成回归问题，所以采用的是均方差损失函数。但是对不同的部分采用了不同的权重值。

损失函数如下：

第一项是边界框中心坐标的误差项，第二项是边界框的高与宽的误差项，第三项是包含目标的边界框的置信度误差项，四项是不包含目标的边界框的置信度误差项。

神经网络回归——SSD

待续