浅析复杂场景下的湿地鸟类目标检测

周铁林

沈阳理工大学 辽宁 沈阳 110000

1 YOLOv3目标检测及原理

目标检测是将图像或视频中的目标与感兴趣区域分开，确定目标是否存在，以及是否存在目标，确定目标的位置。YOLO系列目标检测网络是单次目标检测网络中最具代表性的网络结构，YOLOv3是YOLO系列的网络之一，因为在检测精度上可以与两次目标检测网络相媲美，同时可以达到实时检测速度，因此成为主要的，广泛应用的目标检测算法之一。

2 YOLOv3对于湿地鸟类检测算法的改进

2.1 对于检测框及网络层的改进

针对拍摄采集的数据大多模糊不清，对于需要采集的目标容易造成采集模糊，无法识别，无法定位的这个问题，需要在算法的预测框方面改良，使其更好地检测到实际需要采集的目标。一个目标的每个边界框都要预测边界框位置信息(x,y,w,h)和置信度(cinfidence)，置信度的计算公式如公式1所示：

由于算法存在着高分类准确率和低定位准确率，我们需要将YOLOv3算法的预测框输出信息中加入显示预测框准确程度的指标，在网络训练过程中指导网络学习预测更加准确的预测框，从而降低YOLOv3 算法的定位误差[2]。可通过建立模型将显示预测框的中心点坐标和概率输入设定为x，输出设定为y，为平均值，用来表示预测框相对位置，为方差，用来表示预测框相对的准确度。模型公式如公式2所示：

改进后每一个预测框输出8个位置和尺寸信息，1个有无目标的置信度信息和多个类别信息。在网络预测层加入对预测框的不确定性回归使网络整体性能提升了6.81个百分点，平均交并比提升了5.2%，这证明了加入预测框不确定性回归减小了YOLOv3算法的定位误差。为了获得更高性能的训练模型，在网络训练阶段会使用多种有利于网络训练的方法。特征提取网络是由高质量图像分类的尺度架构截断而成，主要用于提取图像特征[3]。将Darknet53结构进行裁剪后，在数据集较少的情况下更加符合实际应用。借鉴上述思想，设计了全新的Darknet-Bird网络结构。改进后的Darknet-Bird模型层数比原有的Darknet53模型层数少了11层，整体的运算量，网络深度等都大幅下降。

2.2 YOLOv3改进后和已有的网络对比

原始的YOLO v3网络将输入图像拆分为SxS网格。如果将对象的中心坐标折叠到网格中，则该网格负责跟踪对象。由于Darknet网络引入residual结构，结构优势远远超过传统VGG-16网络，优化了冗余的回归金字塔结构，速度会快很多。增加了Libra R-CNN模型，包含候选区域生成与选择、特征提取、类别分类和检测框回归等多个任务的训练与收敛。与Faster-RCNN相比，COCO两步目标检测任务的LibraR-CNN模型精度超过2%，效果非常明显。

3 结果展示

将数据集分别通过改进后的YOLOv3网络和正常的YOLOv3网络训练后得出的结果如图1所示：

图1 数据集训练结果对比图

将本文算法与其他算法的实验结果比较如下：Faster-RCNN的识别率为89.2%，YOLO v3的识别率为79.6%，本文算法识别率为86.6%。召回率分别为82.3%，80.7%，89.2%；FPS分别为14.7，30，37；用时分别为11.4s，8.3s，6.1s。

4 结束语

目前存在的检测算法很多，论实用性来说本文经过改进的YOLOv3算法比较符合需求，但仍相差很大，距离实际应用仍有很大距离。由于实际应用的复杂性，还需根据实际应用情况来选择符合条件的算法。