论文部分内容阅读
随着我国居民生活水平的日益提高,我国的汽车保有量也与日俱增,但是随之也产生了一系列的交通问题,比如:道路拥挤、交通事故频发等。在给驾驶员带来极差的驾驶体验的同时,也极大地影响着驾驶员的安全。交通标志检测系统可以辅助驾驶员驾驶,并能在驾驶过程中对驾驶员进行预警,进而提高驾驶员的驾驶体验,减少交通事故的发生。小型嵌入式设备由于成本低、体积小等优势,被应用在了生活的多个方面。如果能将交通标志检测应用于小型嵌入式设备中,能够极大的降低交通标志检测系统的成本,有助于交通标志检测系统在家用轿车等领域的普及。所以本文重点研究交通标志检测在小型嵌入式设备中的应用。深度学习有着提取特征简单、识别种类多等优势,可以适应于复杂场景的交通标志检测任务,因此本文侧重在小型嵌入式Linux设备中采用深度学习的方法进行交通标志检测。由于深度学习网络结构比较复杂,导致在低性能的小型嵌入式设备中运行的实时性很低,所以本文在选取相对实时性较高的SSD网络的同时对SSD网络做了一系列改进措施。本文的主要工作如下:(1)针对SSD网络在小型嵌入式设备中运行实时性低的问题,本文考虑将谷歌的轻量级网络MobileNet作为基础特征提取网络植入到SSD网络中,替换掉原网络中复杂度比较高的VGG16,以此来降低网络复杂度,提升网络的实时性。(2)针对网络复杂度降低后准确率下降的问题,本文设计分支融合网络对特征层进行融合,使其更好的融合深层和浅层特征,从而提高网络对交通标志检测的准确率。(3)本文对交通标志特点进行分析,分析出交通标志尺寸普遍在(90×90)像素以下。针对这一结论,重新设计SSD网络的辅助卷积网络并重新规划了检测分类器,对原始网络的检测分类器进行了精简,去除了对交通标志检测无意义的检测分类器,形成了一个对四个不同尺度的特征层进行检测分类的网络。(4)搭建小型嵌入式设备的深度学习运行环境,并将改进后的网络植入其中,实验表明,相对于原SSD网络提高了约3.5倍的运行帧率(FPS)。