基于優(yōu)化YOLOv3算法的交通標(biāo)志識(shí)別設(shè)計(jì)案例分析目錄TOC\o"1-3"\h\u14797基于優(yōu)化YOLOv3算法的交通標(biāo)志識(shí)別設(shè)計(jì)案例分析 1263111.1引言 1247141.2K-means聚類算法的理論研究 145751.3優(yōu)化思路與模型訓(xùn)練 2327561.3.1優(yōu)化思路 2219301.3.2模型訓(xùn)練 3169221.4實(shí)驗(yàn)結(jié)果與分析 330111.4.1實(shí)驗(yàn)結(jié)果 3150511.4.2查全率、查準(zhǔn)率、平均準(zhǔn)確率 478971.4.3實(shí)驗(yàn)分析 71.1引言針對(duì)第四章中兩種目標(biāo)檢測(cè)算法出現(xiàn)的識(shí)別率不高、平均檢測(cè)時(shí)間較慢以及預(yù)測(cè)框偏移等問題，本章提出了一種優(yōu)化的YOLOv3算法，將這種優(yōu)化的算法叫做YOLOv3-new算法。YOLOv3-new算法采用K-means聚類算法對(duì)CCTSDB及補(bǔ)充數(shù)據(jù)集的坐標(biāo)信息進(jìn)行了聚類，結(jié)合實(shí)際的訓(xùn)練樣本修改anchor尺寸，通過訓(xùn)練與測(cè)試，效果表明，本小節(jié)提出的YOLOv3-new算法具有更佳的目標(biāo)識(shí)別檢測(cè)性能。1.2K-means聚類算法的理論研究K-means聚類算法分別是由Steinhaus在1955年、Lloyd在1957年、Ball&Hall在1965年以及McQueen在1967年在各自的，不同的學(xué)科領(lǐng)域被獨(dú)立的提出來的。在K-means聚類算法提出的多年后，人們?nèi)匀辉诖怂惴ǖ幕A(chǔ)上改進(jìn)出了大量不同的算法，在許多的學(xué)科領(lǐng)域被廣泛的應(yīng)用和研究ADDINNE.Ref.{ED0E2DDF-548E-45C2-B55F-CFE2BD95C5F0}[53,54]。盡管K-means聚類算法已經(jīng)被提出超過50年了，但是到目前為止，它依然是應(yīng)用最普遍的劃分聚類算法之一ADDINNE.Ref.{36BAF352-EF13-4E4C-8536-522508935578}[55]。K-means聚類算法被人們普遍應(yīng)用的主要原因還是它的操作簡(jiǎn)易、性能高效，以及它的應(yīng)用案例具有非常廣泛的實(shí)戰(zhàn)經(jīng)驗(yàn)ADDINNE.Ref.{F6D3332B-22B4-4D57-AFA0-5F01F91C03BB}[56]。接下來將從K-means聚類算法的目標(biāo)函數(shù)、算法流程開始闡述，后續(xù)將引進(jìn)本文中關(guān)于K-means聚類算法的研究與應(yīng)用ADDINNE.Ref.{A8106CA4-2437-43D1-8A89-A047C911000A}[57]。下面將K-means聚類算法進(jìn)行理論的研究分析。K-means聚類算法的目標(biāo)函數(shù)介紹如下：對(duì)于給定的一個(gè)包含n個(gè)d維數(shù)據(jù)點(diǎn)的數(shù)據(jù)集，其中，以及要生成的數(shù)據(jù)子集的數(shù)目K，K-means聚類算法將數(shù)據(jù)對(duì)象組織為K個(gè)劃分。每個(gè)劃分代表一個(gè)類，每個(gè)類有一個(gè)類別中心。選取歐氏距離作為相似性和距離判斷準(zhǔn)則，計(jì)算該類內(nèi)各點(diǎn)到聚類中心的距離平方和。 （5-1）聚類目標(biāo)是使各類總的距離平方和最小。 （5-2）其中，。 根據(jù)最小二乘法和拉格朗日原理，聚類中心μk應(yīng)該取為類別ck類各數(shù)據(jù)點(diǎn)的平均值。K-means聚類算法從一個(gè)初始的K類別開始劃分，然后將各數(shù)據(jù)點(diǎn)指派到各個(gè)類別中，用來減少總距離平方和。因?yàn)镵-means聚類算法中總的距離平方和隨著類別個(gè)數(shù)K的增加而趨向于減?。ó?dāng)K=n時(shí)，J（C）=0）。所以，總的距離平方和只能在某個(gè)確定的類別個(gè)數(shù)K下取得最小值。1.3優(yōu)化思路與模型訓(xùn)練1.3.1優(yōu)化思路針對(duì)第四章中YOLOv3目標(biāo)檢測(cè)算法的數(shù)據(jù)參數(shù)不理想、對(duì)小尺度目標(biāo)識(shí)別率低的問題，本章對(duì)YOLOv3的anchor尺寸進(jìn)行K-means聚類優(yōu)化ADDINNE.Ref.{E037087E-3F3F-41D0-8ADE-283AA4BDABDA}[58]。Anchor尺寸的大小對(duì)于YOLOv3目標(biāo)檢測(cè)網(wǎng)絡(luò)是十分重要的，合適的anchor尺寸能夠加快神經(jīng)網(wǎng)絡(luò)的收斂速度，降低誤差。直接使用開源YOLOv3中的部分anchor并不合理，訓(xùn)練好的模型也達(dá)不到更好的識(shí)別效果，如第四章中YOLOv3的檢測(cè)識(shí)別效果。要想得到更好的識(shí)別效果，本文的思路就是在CCTSDB及其補(bǔ)充數(shù)據(jù)集上使用K-means重新聚類計(jì)算anchor的尺寸，提高Bbox的檢出率。在本小節(jié)中，anchor尺寸是筆者通過聚類CCTSDB及其補(bǔ)充數(shù)據(jù)集（共有三大類）得到的。YOLOv3是在三個(gè)不同的尺度上的9個(gè)anchorboxes來預(yù)測(cè)邊界框的，anchorbox的尺寸勢(shì)必會(huì)對(duì)最終的模型準(zhǔn)確度產(chǎn)生影響，因此需要對(duì)原本的anchorbox尺寸基于本文數(shù)據(jù)集進(jìn)行訓(xùn)練，結(jié)合實(shí)際訓(xùn)練的樣本對(duì)anchor進(jìn)行重新聚類。本文依舊采用了K-means聚類算法對(duì)數(shù)據(jù)集的坐標(biāo)信息進(jìn)行聚類，因?yàn)閅OLOv3是9個(gè)尺寸不同尺度的anchorbox，因此K取9更為合適，最后將聚類生成的9組尺寸信息替換原本的anchor值，再以同樣的網(wǎng)絡(luò)參數(shù)和訓(xùn)練樣本重新訓(xùn)練。在本小節(jié)中，對(duì)CCTSDB及其補(bǔ)充數(shù)據(jù)集進(jìn)行聚類計(jì)算，聚類使用的K-means聚類算法是一個(gè)反復(fù)迭代的過程，算法依舊包括了四個(gè)步驟ADDINNE.Ref.{6E657C76-886F-4B4D-9A9B-6BC26B0A57BB}[59]。第一步，首先隨機(jī)的選擇K個(gè)樣本點(diǎn)作為初始的重心。第二步，遍歷數(shù)據(jù)集中每個(gè)樣本點(diǎn)，計(jì)算每一個(gè)樣本點(diǎn)到重心的距離，將每個(gè)樣本點(diǎn)分類到最近的重心，經(jīng)過第二步的操作，現(xiàn)已形成了K個(gè)類別。第三步，重新計(jì)算每個(gè)簇的新重心。第四步，重復(fù)第二步和第三步，直到重心的位置以及類別的樣式不發(fā)生變化，或已經(jīng)達(dá)到了最大迭代次數(shù)，那么聚類就結(jié)束了。針對(duì)CCTSDB及其補(bǔ)充數(shù)據(jù)集計(jì)算出最適合訓(xùn)練集的anchor尺寸，網(wǎng)絡(luò)更加容易學(xué)習(xí)。通過K-means聚類算法相關(guān)代碼可以得到修改后的3個(gè)尺度的9組anchor尺寸信息，寬和高分別為（6.66，17.83）、（7.90，22.58）、（9.57，27.34）、（10.56，17.91）、（12.06，33.28）、（11.39，41.60）、（16.25，26.15）、（24.05，49.92）和（48.75，79.08）。1.3.2模型訓(xùn)練在本章的實(shí)驗(yàn)中，實(shí)驗(yàn)配置的平臺(tái)操作系統(tǒng)同樣為windows10，并使用GPU對(duì)模型進(jìn)行訓(xùn)練，GPU類型NVIDIATeslaV100-PCIE-32GB顯卡，使用python3.6編寫腳本進(jìn)行預(yù)數(shù)據(jù)數(shù)據(jù)處理以及得到最終結(jié)果，開發(fā)語言以python語言為主。模型實(shí)現(xiàn)為基于Keras的學(xué)習(xí)框架，搭建低復(fù)雜度的特征金字塔網(wǎng)絡(luò)模型對(duì)交通標(biāo)志進(jìn)行檢測(cè)。模型訓(xùn)練采用Adam梯度下降方法，利用梯度的一階矩估計(jì)和二階矩估計(jì)自適應(yīng)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)步長(zhǎng)，Adam衰減系數(shù)為0.9，并設(shè)定批處理尺寸batch_size冷凍訓(xùn)練前為2，冷凍訓(xùn)練后的值為1，每次迭代（epoch）均隨機(jī)排列數(shù)據(jù)集。將width與height都設(shè)為608。將最大迭代次數(shù)max_batches設(shè)定為34000，學(xué)習(xí)率變動(dòng)步長(zhǎng)steps設(shè)為max_batches的80%和90%，即steps=27200,30600。訓(xùn)練終止條件為損失函數(shù)值幾乎保持不變，即當(dāng)最大迭代次數(shù)達(dá)到34000次時(shí)終止學(xué)習(xí)。由于整個(gè)訓(xùn)練過程使用GPU進(jìn)行，故修改configs文件的參數(shù)GPU=1和CUDNN=1。在整個(gè)實(shí)驗(yàn)中，對(duì)YOLOv3、FasterR-CNN以及優(yōu)化后的模型YOLOv3-new在同一GPU服務(wù)器中進(jìn)行訓(xùn)練。1.4實(shí)驗(yàn)結(jié)果與分析1.4.1實(shí)驗(yàn)結(jié)果本小節(jié)舉例給出K-means聚類修改anchor尺寸后的YOLOv3交通標(biāo)志檢測(cè)識(shí)別的部分圖像，如圖5-1所示。根據(jù)識(shí)別效果來看，本文提出的優(yōu)化算法可以精確的捕捉到各種復(fù)雜環(huán)境下的交通標(biāo)志圖像，對(duì)于目標(biāo)遮擋、小目標(biāo)或是多個(gè)目標(biāo)同時(shí)存在的檢測(cè)中，也具有較好的識(shí)別效果。（a）（b）（c）（d）圖5-1K-means聚類修改anchor尺寸后YOLOv3的目標(biāo)檢測(cè)識(shí)別圖像在圖5-1的圖（a）中，右側(cè)的禁令標(biāo)志目標(biāo)明曝光過于充分，交通標(biāo)志的特征也出現(xiàn)了不明顯的情況，但是本章提出的目標(biāo)檢測(cè)算法能夠準(zhǔn)確的將預(yù)測(cè)框打在交通標(biāo)志上面；在圖5-1的圖（c）中，中間的指示標(biāo)志目標(biāo)被道路兩旁的樹木部分遮擋，但是本章的目標(biāo)檢測(cè)算法也能夠準(zhǔn)確的將交通標(biāo)志識(shí)別出來。通過給出的部分檢測(cè)識(shí)別圖像，可以看出本章提出的優(yōu)化算法能夠具有更好的抗干擾性。1.4.2查全率、查準(zhǔn)率、平均準(zhǔn)確率圖5-2為K-means聚類算法修改anchor尺寸后的YOLOv3算法（即YOLOv3-new算法）在計(jì)算平均準(zhǔn)確率、查全率、查準(zhǔn)率過程的圖像。在計(jì)算平均準(zhǔn)確率的過程中，可以明顯的看出K-means聚類修改anchor尺寸后的YOLOv3算法能夠更加準(zhǔn)確的遍歷復(fù)雜環(huán)境中的交通標(biāo)志圖像，預(yù)測(cè)框也能準(zhǔn)確的將目標(biāo)交通標(biāo)志框出來。無論是交通標(biāo)志處于環(huán)境較為復(fù)雜，或是交通標(biāo)志有部分遮擋、圖片存在多個(gè)目標(biāo)、交通標(biāo)志目標(biāo)較小等情況，都能準(zhǔn)確的將其識(shí)別出來。圖5-2的兩幅圖中，第一張圖展現(xiàn)了計(jì)算交通標(biāo)志指示標(biāo)志的過程，第二張圖展現(xiàn)了計(jì)算交通標(biāo)志警告標(biāo)志的過程。通過第二張圖像的CMD命令提示符窗口可以看到，有已經(jīng)計(jì)算出的兩類交通標(biāo)志的F1、Recall和Precision的數(shù)據(jù)，以及計(jì)算出的AP值。（a）（b）圖5-2K-means聚類修改anchor尺寸后YOLOv3的平均準(zhǔn)確率算法運(yùn)行過程為了能夠?qū)-means聚類修改anchor尺寸后的YOLOv3算法性能直觀的表示出來，本章依舊使用了平均準(zhǔn)確率、查全率和查準(zhǔn)率的計(jì)算代碼，將平均準(zhǔn)確率、查全率和查準(zhǔn)率利用可視化的方法展現(xiàn)了出來。圖5-3為交通標(biāo)志三個(gè)類別的查全率圖像，圖5-4為交通標(biāo)志三個(gè)類別分別的查準(zhǔn)率圖像，圖5-5為交通標(biāo)志三個(gè)類別分別的平均準(zhǔn)確率圖像。優(yōu)化后的YOLOv3-new算法查全率圖像如圖5-3所示。（a）（b）（c）圖5-3YOLOv3-new查全率圖像優(yōu)化后的YOLOv3-new算法查準(zhǔn)率圖像如圖5-4所示。（a）（b）（c）圖5-4YOLOv3-new查準(zhǔn)率圖像優(yōu)化后的YOLOv3-new算法平均準(zhǔn)確率圖像如圖5-5所示。圖5-5YOLOv3-new平均準(zhǔn)確率mAP圖像通過圖5-5可以看出，YOLOv3-new關(guān)于復(fù)雜環(huán)境交通標(biāo)志圖像三個(gè)類別準(zhǔn)確率AP和平均準(zhǔn)確率mAP。警告標(biāo)志的準(zhǔn)確率AP達(dá)到了99%，指示標(biāo)志的準(zhǔn)確率AP達(dá)到了98%，禁止標(biāo)志的準(zhǔn)確率AP達(dá)到了96%。同時(shí)，對(duì)于復(fù)雜環(huán)境下的交通標(biāo)志平均準(zhǔn)確率也能達(dá)到了97.59%，識(shí)別效果有所提升。1.4.3實(shí)驗(yàn)分析在本節(jié)中，將針對(duì)第四章提出的FasterR-CNN目標(biāo)檢測(cè)算法、YOLOv3目標(biāo)檢測(cè)算法與本章提出的優(yōu)化算法，YOLOv3-new進(jìn)行檢測(cè)性能上的對(duì)比與分析。性能方面主要針對(duì)平均準(zhǔn)確率、查全率、查準(zhǔn)率和平均檢測(cè)時(shí)間等方面展開。表5-1在CCTSDB及補(bǔ)充數(shù)據(jù)集中不同模型上的檢測(cè)效果對(duì)比模型名稱查全率查準(zhǔn)率平均準(zhǔn)確率平均檢測(cè)時(shí)間FasterR-CNN92.42%90.73%91.63%0.046sYOLOv393.52%93.86%91.53%0.033sYOLOv3-new97.85%97.38%97.59%0.028s由三個(gè)模型的檢測(cè)效果對(duì)比可以得出，在CCTSDB數(shù)據(jù)集及補(bǔ)充數(shù)據(jù)集中，不使用任何優(yōu)化策略的原始FasterR-CNN平均準(zhǔn)確率mAP為91.63%，不使用任何優(yōu)化策略的原始YOLOv3平均準(zhǔn)確率mAP為91.53%，使用K-means聚類修改anchor尺寸加快訓(xùn)練損失函數(shù)的收斂，訓(xùn)練更加的穩(wěn)定后，YOLOv3-new平均準(zhǔn)確率mAP為97.59%。優(yōu)化后的YOLOv3，相比較原來YOLOv3檢測(cè)效果mAP提升了2.06%。通過實(shí)驗(yàn)可以得出結(jié)論，對(duì)原YOLOv3的anchor尺寸進(jìn)行K-means聚類優(yōu)化，不僅可以達(dá)到更好的識(shí)別效果，同