基于卷積網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)與識(shí)別算法研究.pdf

1、如今我國(guó)經(jīng)濟(jì)高速發(fā)展，汽車作為經(jīng)濟(jì)發(fā)展的標(biāo)志變的越來越多，然而汽車的增加，使我國(guó)面臨巨大的交通壓力，交通事故頻發(fā)，安全駕駛問題越來越突出，因此必須發(fā)展智能化交通系統(tǒng)。在智能化交通系統(tǒng)中，最重要的是交通標(biāo)志的檢測(cè)與識(shí)別，在交通安全運(yùn)行方面具有重大的現(xiàn)實(shí)意義，它能夠減少駕駛員的駕駛疲勞，更好的保證出行安全。然而交通標(biāo)志的檢測(cè)與識(shí)別是一項(xiàng)具有挑戰(zhàn)性的工作，在真實(shí)的環(huán)境中，交通標(biāo)志往往處在比較復(fù)雜的背景中，交通標(biāo)志或者被遮擋、或者老化嚴(yán)重比較模

2、糊、或者光照比較強(qiáng)導(dǎo)致反光等，這些因素會(huì)給檢測(cè)與識(shí)別帶來困難。系統(tǒng)是裝在汽車上，必須做到準(zhǔn)確檢測(cè)與識(shí)別，才能幫助駕駛員。本人在認(rèn)真研究前人研究成果的基礎(chǔ)上，主要使用深度學(xué)習(xí)技術(shù)對(duì)交通標(biāo)志進(jìn)行檢測(cè)與識(shí)別。本文主要貢獻(xiàn)如下:
　　交通標(biāo)志是小目標(biāo)，在整幅圖像中所占的比例比較小，然而現(xiàn)有算法中，利用深度學(xué)習(xí)對(duì)目標(biāo)進(jìn)行檢測(cè)，主要檢測(cè)的是大目標(biāo)，在整幅圖像中占的比例比較大。利用卷積神經(jīng)網(wǎng)絡(luò)處理圖像是目前主流方法，小目標(biāo)經(jīng)過幾層卷積后，在最后

3、一層特征圖上很難發(fā)現(xiàn)細(xì)節(jié)信息，所以現(xiàn)有方法對(duì)小目標(biāo)檢測(cè)效果并不是很好。為解決這個(gè)問題，本算法在前人工作的基礎(chǔ)上，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)，不但使用最后一層卷積特征圖還使用低端特征圖。因?yàn)榈投颂卣鲌D依然保留有小目標(biāo)的特征信息，因此同時(shí)在最后一層特征圖和第二層特征圖上操作，提高檢測(cè)的準(zhǔn)確率。并且本算法具有普適性，傳統(tǒng)方法都是針對(duì)特定國(guó)家的交通標(biāo)志來設(shè)計(jì)特征進(jìn)行目標(biāo)檢測(cè)，這些系統(tǒng)只能檢測(cè)特定國(guó)家的交通標(biāo)志，應(yīng)用在其他國(guó)家上檢測(cè)效果不佳，而本算法使

4、用的是深度學(xué)習(xí)，自動(dòng)學(xué)習(xí)特征，可以用在多個(gè)國(guó)家的交通標(biāo)志檢測(cè)上，具有普適性。
　　為解決真實(shí)環(huán)境中交通標(biāo)志狀況比較復(fù)雜，訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)比較緩慢這個(gè)問題，本文提出基于優(yōu)化卷積網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識(shí)別算法。該算法主要把卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。為解決網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練時(shí)比較緩慢，在卷積層中加入批量歸一化層，在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的時(shí)候，第一層訓(xùn)練完后，必然會(huì)導(dǎo)致第二層的輸入數(shù)據(jù)分布發(fā)生變化，使第二層重新適應(yīng)新的數(shù)據(jù)分布，必然浪費(fèi)大量時(shí)間，而加入

5、批量歸一化層后，使每一層的輸出數(shù)據(jù)歸一化為均值為零，方差為1，這樣后面的卷積層不必每次訓(xùn)練都得重新適應(yīng)數(shù)據(jù)分布，使訓(xùn)練速度大大加快。在最后的分類層使用支持向量機(jī)分類器，支持向量機(jī)只對(duì)錯(cuò)誤分類的樣本進(jìn)行訓(xùn)練，而分對(duì)的樣本不再關(guān)注，這樣使訓(xùn)練樣本減少，加快了訓(xùn)練速度。為解決由于真實(shí)環(huán)境狀況比較復(fù)雜導(dǎo)致識(shí)別率不高的問題，使用逐層貪婪訓(xùn)練算法。該算法主要是一層一層的訓(xùn)練，先訓(xùn)練第一層，把參數(shù)保留，然后用訓(xùn)練好的參數(shù)初始化第二個(gè)網(wǎng)絡(luò)結(jié)構(gòu)的第一層，