论文部分内容阅读
交通路标的识别不仅是无人驾驶中的关键技术,也是高级车载系统的辅助工具。传统的交通路标识别方法虽然也可以进行检测,但准确率难以进一步提升,而深度学习方法具有很强的特征表征能力,将其应用于交通路标的检测识别能够有效地帮助驾驶员(或无人车)完成正确的操作,从而减少或避免交通事故的发生。针对交通路标检测中存在的难点问题,本文通过对SSD模型进行改进,实现了对于小的交通路标进行检测识别和精准定位。相关的工作和创新点如下:(1)针对SSD模型在小目标的检测存在漏检和检测精度不高的问题,提出了一种Dalation_DenseNet_SSD模型。该模型能够改善网络的特征提取能力,减少了因池化操作造成的信息丢失,有效地提高了对于小目标的检测性能。在CTSD数据集上进行了实验验证,实验结果表明改进的Dalation_DenseNet_SSD模型其mAP相比Dalation_VGG_SSD和SSD模型分别增加了3.9%和6.4%,损失分别下降了0.5和1.8,同时召回率达到92.6%,精准率达到94.4%。(2)针对SSD模型由于预测框分类置信度和位置置信度之间的弱相关性,造成预测框定位不准确问题,提出了一种KL_Softer-NMS_DD_SSD模型。该模型增强了分类置信度,提高了预测框与真实框IoU之间的相关性,对获得的多个检测框进行加权平均,以更新最终的检测框,有效地提高了预测框的精准定位和分类置信度。实验表明KL_Softer-NMS_DD_SSD模型比Dalation_DenseNet_SSD在mAP上进一步提高了1.2%,损失下降了约0.4,最终达到95.3%和96.6%的召回率和精准率。(3)针对交通路标识别中,通过增加网络模型的复杂度来提高识别效果反而造成参数量增加的问题,提出了一种结合深度残差和GRU神经网络的SqueezeNet-IR-GRU模型。采用轻量级SqueezeNet,减少了参数量;采用ELU激活函数解决梯度下降问题;通过改进深度残差网络和GRU神经网络进一步减少了参数量,减少了网络的训练时间,保证了模型的稳定性。在GTSRB数据集上进行了实验验证,实验结果表明所提出的SqueezeNet-IR-GRU模型的参数量比其他模型最大减少了1/5倍,准确率达到了99.13%,还提高了模型的稳定性和收敛性。另外将改进的模型在CAFIR10数据集上进行了验证,取得了88.25%的准确率。