目標(biāo)檢測(cè)是指在圖像和視頻中對(duì)目標(biāo)進(jìn)行定位和分類。

在本節(jié)中，我將通過(guò)一個(gè)車輛檢測(cè)示例，介紹如何使用深度學(xué)習(xí)創(chuàng)建目標(biāo)檢測(cè)器。相同步驟可用于創(chuàng)建任何目標(biāo)檢測(cè)器。

下圖顯示了一個(gè)三類車輛檢測(cè)器的輸出結(jié)果，檢測(cè)器對(duì)每一種類型的車輛進(jìn)行了定位和分類。

對(duì)不同類型車輛進(jìn)行定位和分類的車輛檢測(cè)器顯示的輸出結(jié)果。

在創(chuàng)建車輛檢測(cè)器之前，我需要一組標(biāo)注的訓(xùn)練數(shù)據(jù)，這是一組用感興趣目標(biāo)的位置和標(biāo)簽標(biāo)注的圖像。更具體地說(shuō)，是需要有人對(duì)每幅圖像或視頻幀進(jìn)行篩選，并對(duì)所有感興趣目標(biāo)的位置進(jìn)行標(biāo)注。這個(gè)過(guò)程稱為“真值標(biāo)注”。

真值標(biāo)注通常是創(chuàng)建目標(biāo)檢測(cè)器過(guò)程中最耗時(shí)的部分。下圖左側(cè)顯示的是原始訓(xùn)練圖像，右側(cè)顯示的是經(jīng)過(guò)真值標(biāo)注的相同圖像。

原始輸入圖象（左）和經(jīng)過(guò)地面實(shí)況標(biāo)注的輸入圖象（右）。

可以想見(jiàn)，標(biāo)注一組數(shù)量足夠大的訓(xùn)練圖像數(shù)據(jù)集是一項(xiàng)極費(fèi)人力的處理過(guò)程。為了減少數(shù)據(jù)標(biāo)注時(shí)間，我使用了Ground Truth Labeler 自動(dòng)駕駛系統(tǒng)工具箱，它可使地面實(shí)況標(biāo)注過(guò)程實(shí)現(xiàn)部分自動(dòng)化。

用于標(biāo)注視頻和圖像數(shù)據(jù)的 Ground Truth Labeler 屏幕截圖。

實(shí)現(xiàn)標(biāo)注過(guò)程部分自動(dòng)化的一種方法是使用跟蹤算法。我使用的KanadeLucas Tomasi算法（KLT）是在實(shí)際應(yīng)用中使用的第一種計(jì)算機(jī)視覺(jué)算法。KLT 算法將目標(biāo)表示為一組特征點(diǎn)，然后逐幀跟蹤它們的移動(dòng)位置。我們可以在第一幀中手動(dòng)標(biāo)注一個(gè)或多個(gè)目標(biāo)，然后使用跟蹤算法標(biāo)注視頻的其余部分。

Ground Truth Labeler 還允許用戶導(dǎo)入自己的算法進(jìn)行自動(dòng)化標(biāo)注。

我見(jiàn)過(guò)的最常用的方法是，用戶導(dǎo)入自己現(xiàn)有的檢測(cè)器，再進(jìn)行新數(shù)據(jù)標(biāo)注，這可以幫助他們創(chuàng)建出更精確的檢測(cè)器。下圖演示了使用 Ground Truth Labeler 標(biāo)注一系列圖像或視頻的工作流程。

使用MATLAB進(jìn)行自動(dòng)真值標(biāo)注的流程。

標(biāo)注數(shù)據(jù)最終以 table 格式存儲(chǔ)，table 中列出了訓(xùn)練集視頻中車輛在每個(gè)時(shí)間點(diǎn)的位置。真值標(biāo)注完成后，我可以開(kāi)始訓(xùn)練車輛檢測(cè)器。

本例中，我估計(jì)真值標(biāo)注過(guò)程最高可加速 119 倍。我們以每秒30幀的速度捕捉訓(xùn)練視頻數(shù)據(jù)，每4秒對(duì)目標(biāo)進(jìn)行一次標(biāo)注。這意味著我們將節(jié)省中間119幀的標(biāo)注時(shí)間。當(dāng)然這是最好的情況，因?yàn)槲覀冇袝r(shí)還得花時(shí)間更正自動(dòng)標(biāo)注的輸出結(jié)果。

我們的車輛檢測(cè)器使用的是FasterR-CNN網(wǎng)絡(luò)。首先，定義一個(gè)網(wǎng)絡(luò)架構(gòu)，如下面的MATLAB代碼片段所示。Faster R-CNN算法主要分析圖像的區(qū)域，因此輸入層比輸入圖像的預(yù)期尺寸要小。本例中，我選擇了一個(gè)32x32像素的窗口。輸入尺寸需要根據(jù)執(zhí)行時(shí)間和希望檢測(cè)器解析的空間細(xì)節(jié)進(jìn)行衡量。

中間層是網(wǎng)絡(luò)的核心構(gòu)造塊，具有重復(fù)的卷積層、ReLU 層和池化層。

本例中，我只會(huì)使用幾個(gè)層。若要提高準(zhǔn)確性，或者如果想要將更多的類并入檢測(cè)器中，可以重復(fù)這些使用層，創(chuàng)建一個(gè)更深的網(wǎng)絡(luò)。

CNN 的最后一層通常是一組全連接層和一個(gè) softmax loss 層。

在本例中，我在全連接層之間添加了一個(gè) ReLU 非線性層，用以提高檢測(cè)器的性能，因?yàn)槲覀冞@個(gè)檢測(cè)器的訓(xùn)練集并沒(méi)有我想要的那么大。

為訓(xùn)練目標(biāo)檢測(cè)器，我將 layers 網(wǎng)絡(luò)結(jié)構(gòu)輸入 trainFasterRCNNObjectDetector 函數(shù)。如果您安裝了 GPU，算法會(huì)默認(rèn)使用 GPU。如果不想使用 GPU 或者想使用多個(gè) GPU，您可以在 trainingOptions（訓(xùn)練選項(xiàng)）中調(diào)整 ExecutionEnvironment 參數(shù)。

完成訓(xùn)練之后，可以在測(cè)試圖像上試一試，看看檢測(cè)器是否正常工作。我使用下面的代碼在單一圖像上測(cè)試檢測(cè)器。

Faster R-CNN車輛檢測(cè)器檢測(cè)到的邊界框和得分。

若確信自己的檢測(cè)器正常工作，我強(qiáng)烈建議您使用統(tǒng)計(jì)指標(biāo)（例如，平均精度）在更大的一組驗(yàn)證圖像集上進(jìn)行測(cè)試。平均精度提供的單一分?jǐn)?shù)可衡量檢測(cè)器進(jìn)行正確分類的能力（準(zhǔn)確率）以及檢測(cè)到所有相關(guān)對(duì)象的能力（召回率）。