基于卷積網(wǎng)絡的交通標志檢測與識別算法研究.pdf

1、如今我國經(jīng)濟高速發(fā)展，汽車作為經(jīng)濟發(fā)展的標志變的越來越多，然而汽車的增加，使我國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，最重要的是交通標志的檢測與識別，在交通安全運行方面具有重大的現(xiàn)實意義，它能夠減少駕駛員的駕駛疲勞，更好的保證出行安全。然而交通標志的檢測與識別是一項具有挑戰(zhàn)性的工作，在真實的環(huán)境中，交通標志往往處在比較復雜的背景中，交通標志或者被遮擋、或者老化嚴重比較模

2、糊、或者光照比較強導致反光等，這些因素會給檢測與識別帶來困難。系統(tǒng)是裝在汽車上，必須做到準確檢測與識別，才能幫助駕駛員。本人在認真研究前人研究成果的基礎上，主要使用深度學習技術對交通標志進行檢測與識別。本文主要貢獻如下:
　　交通標志是小目標，在整幅圖像中所占的比例比較小，然而現(xiàn)有算法中，利用深度學習對目標進行檢測，主要檢測的是大目標，在整幅圖像中占的比例比較大。利用卷積神經(jīng)網(wǎng)絡處理圖像是目前主流方法，小目標經(jīng)過幾層卷積后，在最后

3、一層特征圖上很難發(fā)現(xiàn)細節(jié)信息，所以現(xiàn)有方法對小目標檢測效果并不是很好。為解決這個問題，本算法在前人工作的基礎上，對網(wǎng)絡結構進行了改進，不但使用最后一層卷積特征圖還使用低端特征圖。因為低端特征圖依然保留有小目標的特征信息，因此同時在最后一層特征圖和第二層特征圖上操作，提高檢測的準確率。并且本算法具有普適性，傳統(tǒng)方法都是針對特定國家的交通標志來設計特征進行目標檢測，這些系統(tǒng)只能檢測特定國家的交通標志，應用在其他國家上檢測效果不佳，而本算法使

4、用的是深度學習，自動學習特征，可以用在多個國家的交通標志檢測上，具有普適性。
　　為解決真實環(huán)境中交通標志狀況比較復雜，訓練網(wǎng)絡結構比較緩慢這個問題，本文提出基于優(yōu)化卷積網(wǎng)絡結構的交通標志識別算法。該算法主要把卷積神經(jīng)網(wǎng)絡結構進行優(yōu)化。為解決網(wǎng)絡結構訓練時比較緩慢，在卷積層中加入批量歸一化層，在訓練卷積神經(jīng)網(wǎng)絡結構的時候，第一層訓練完后，必然會導致第二層的輸入數(shù)據(jù)分布發(fā)生變化，使第二層重新適應新的數(shù)據(jù)分布，必然浪費大量時間，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練都得重新適應數(shù)據(jù)分布，使訓練速度大大加快。在最后的分類層使用支持向量機分類器，支持向量機只對錯誤分類的樣本進行訓練，而分對的樣本不再關注，這樣使訓練樣本減少，加快了訓練速度。為解決由于真實環(huán)境狀況比較復雜導致識別率不高的問題，使用逐層貪婪訓練算法。該算法主要是一層一層的訓練，先訓練第一層，把參數(shù)保留，然后用訓練好的參數(shù)初始化第二個網(wǎng)絡結構的第一層，