论文部分内容阅读
自动驾驶是当前的一个研究热潮。而交通标志的检测与识别是自动驾驶系统中的重要组成部分,它必须及时且精确的向驾驶系统传输一些重要的道路交通信息,指导汽车做出正确的行驶判断,从而避免交通事故的发生,实现安全驾驶。然而,目前已有的交通标志检测与识别技术要么准确性低,要么实时性差,难以满足真实的车载应用需求。因此,本文利用卷积神经网络对交通标志的检测和识别进行研究。研究内容如下:传统的推荐候选区域类检测算法,生成候选区域的时间长且质量不高,往往不能满足交通标志检测的实时性和准确性要求。因此,本文针对交通标志检测,采取了一种基于Faster RCNN的检测算法。Faster RCNN利用RPN网络快速生成高质量的候选区域,并通过交替训练使RPN网络与Fast RCNN网络共享卷积特征,从而实现快速有效的交通标志检测。为了兼顾小尺寸交通标志的检测,在原有128×128、256×256和512×512三种anchor box面积参数的基础上,增加了32×32和64×64。最后,在GTSDB检测数据集上采用VGG16作为基础网络来实现Faster RCNN,其mAP值达到了89.47%,且经GPU加速后平均检测一幅图像的速度仅需0.41s,近似达到实时性。除此之外,本文针对交通标志识别,设计出了一种基于改进卷积神经网络的识别算法。首先,通过结合传统LeNet5和VGGNet等网络的优点,并充分考虑影响网络结构性能的卷积核大小和卷积层个数因素,设计出适合交通标志识别的网络模型。然后,引入参数化修正线性单元(PReLU)、指数化线性单元(ELU)和批量归一化(BN)形成多种改进方案,并通过大量实验对比发现,单独引入ELU后网络模型的性能优于单独引入ReLU或PReLU,但BN与ELU组合后获得的改进效果却不如BN与ReLU或PReLU的组合,且各种改进方案中BN与PReLU的组合最优。最终,选取BN和PReLU组合的方案来加速网络训练速度和提高识别的准确性,进一步改进交通标志网络模型,使交通标志的识别率达到了98.17%。