论文部分内容阅读
随着经济的快速发展,道路上的汽车也越来越多,伴随而来的是交通拥堵、交通事故频发等一系列问题。为了解决这些问题,智能交通系统已经被广泛应用在道路交通中,并起着非常重要的作用。在智能交通系统中,交通信号灯的检测是其中一项重要的研究内容。然而,由于实际路况是一个复杂多变的场景,与场景中的其它目标相比,交通信号灯的尺寸又非常小,使得实际场景下交通信号灯的检测精度难以达到实际需求。近年来,由于卷积神经网络具有强大的特征学习能力,已经被广泛应用在图像分类、目标检测等领域,并取得了一系列成就。因此,本文利用卷积神经网络,针对交通信号灯检测(小目标检测),进行了系统的研究,主要工作与创新如下:首先,本文基于Faster R-CNN目标检测算法,提出了一种改进的锚设计,与原始的锚相比,该设计方法采用尺度更小的锚,从而在候选区域生成网络中能够更好地生成与交通信号灯尺寸相匹配的候选区域。另外,根据小目标检测的特点(即小目标的细节信息主要存在于Faster R-CNN网络的浅层特征图中,而其丰富的语义信息主要存在于Faster R-CNN网络的深层特征图中),提出了一种特征融合策略,即对Faster R-CNN特征提取网络中的Conv53特征图进行反卷积操作,再与Conv43特征图进行特征融合(具体的融合方式设计了两种,分别是Eltwise(PROD)和Concat方式),从而生成Conv45特征图,并将其作为特征提取网络的最后一层特征图,用于输入到候选区域生成网络与兴趣区域池化中。分别将上述提到的两种特征融合方式与改进的锚设计相结合,从而提出两种改进算法,并分别命名为E-Faster RCNN与C-Faster RCNN。其次,本文基于SSD(单次多框检测器)目标检测算法,在多尺度卷积检测中引进Conv33高分辨率的特征图。此外,考虑到Conv33和Conv43特征图在多尺度卷积检测中,虽然能够生成与小目标尺寸相匹配的先验框,但上述两个特征图属于浅层特征图,缺乏丰富的语义信息。因此,提出一种多级特征融合策略,该策略首先对Conv53深度语义特征图进行反卷积操作,将其融入到Conv43特征图中,然后对二者融合后的特征图再进行反卷积操作,最后将其与Conv33特征图相融合。另外,基于SSD网络中的各层特征图,对交通信号灯细节信息的变化过程进行了详细的分析,得出Conv102与Conv112特征图对交通信号灯检测的作用甚微,为进一步降低网络的计算量,提出将Conv101与Conv102、Conv111与Conv112卷积层移除,提出的改进算法命名为MF-SSD。最后,本文利用美国LISA交通信号灯检测数据集,分别对E-Faster RCNN、C-Faster RCNN、MF-SSD算法进行实验。实验结果显示E-Faster RCNN、C-Faster RCNN的mAP为84.64%、83.99%,分别比Faster R-CNN的mAP高11.72%、11.07%,比LOCO的mAP高3.86%、3.21%;MF-SSD的mAP为86.45%,比SSD的mAP高4.04%,比LOCO的mAP高5.67%。因此,上述提到的三种改进算法均对交通信号灯检测取得了很好的检测效果。