论文部分内容阅读
环境感知为自动驾驶技术提供了重要的数据基础,其涉及计算机视觉,自动控制等技术的综合运用。自动驾驶设备对道路环境的感知能力和做出控制决策的能力依赖于对道路元素的精准检测,关系到车辆行驶的安全性和高效性。本文深入讨论道路元素检测的一种重要类型,即交通标志的检测。为了进一步实现准确高效的交通标志检测技术,本文在极速区域卷积神经网络(Faster Region-based Convolutional Neural Networks,Faster R-CNN)的基础之上做出改进,提出了一种基于深度学习的交通标志检测方法。交通标志与其它道路元素存在视觉差异,所以对检测算法也具有不同的要求:交通标志在图像中呈现的可视面积一般都不大,且实际应用中对算法具有实时性的要求。在区域卷积神经网络(Region-based Convolutional Neural Networks,R-CNN)系列算法中,Faster R-CNN算法在处理目标检测的问题时具有较好的表现,但是由于在Faster R-CNN中,区域候选框网络(Region Proposal Networks,RPN)生成的候选框质量欠佳且数量过多,以及在面对小目标的识别问题时网络的表现不是很好,导致Faster R-CNN在直接应用于交通标志的检测问题时效果不是很好。基于此,本文根据自动驾驶场景中交通标志的视觉特点和检测要求,分析了Faster R-CNN算法的局限性,进而对其做出改进,包含了四步改进策略:第一,为了加强区域候选框的效果,对多层卷积层特征进行融合增加卷积层的特征采样能力,并采用合并池化方法提高池化层性能;第二,根据小目标的视觉特点,提出了通过添加目标周围的局部上下文信息来定位小目标的策略;第三,将sofmax分类层和边界框回归层合并为一个卷积层,从而缩小了输出层的尺寸规模,对网络的训练速度和测试速度进行了优化;最后,进行模型迭代剪枝,移除冗余连接,提高计算效率。本文实验基于TensorFlow开发,选择在开源数据集Tsinghua-Tencent 100K上评估本文方法的性能,通过本文方法与Faster R-CNN在数据集上的对比实验结果,验证了所提出的改进策略的有效性。