论文部分内容阅读
随着深度学习技术快速发展,基于深度学习技术的自动驾驶技术如今成为科研人员最热门的研究之一。交通标志图像识别是当今自动驾驶中需要解决的主要问题。随着神经网络在商业化的应用,卷积神经网络越来越成为解决这类问题的首选方法。常见的卷积神经网络诸如R-CNN,Fast R-CNN并没有很好的细粒度图像处理能力,缺少对于图像特征点的具体分析。本文提出对于该类问题可以从图像的细粒度角度入手,采用对于细粒度敏感的RA-CNN算法,增强其对于复杂图像的识别能力。本文采用的了基于注意力机制的RA-CNN算法与基于优化的VGG19网络结构,在保证VGG19原有性能的基础上,对其进行轻量级优化,将其优化为9层网络结构,增强其模型收敛速度,同时使用Re LU函数做为网络模型的激活函数。本文训练集与测试集均选自于CCTSDB数据库中常见的交通标志图像,在训练与验证前事先通过对图像进行预处理操作如降噪,二值化,来增强图像表达信息的能力。在进行预处理完毕后,将图像导入Tensor Flow平台进行训练,最后采用测试集来测试模的实际表现力。实验结果显示,本文最终训练出的模型相对于传统的支持向量机等方案更加优秀,对于简单交通标志的识别分类诸如直线行驶标志的准确率可达99.14%,对于其他交通标志的识别率平均可达到96.6%,基于注意力机制的RA-CNN在复杂标志的识别能力上明显优于传统方案,基本完成交通标志辨别分类的目标。而后,本文也对比了目前发展较为成熟的神经网络例如Hierarchical-CNN,对比结果显示目前基于RA-CNN的交通识别系统目前仍处于探索阶段,本文模型与目前现有的成熟模型仍有一定差距,模型结构上仍有优化的空间。最后,结合本文的实验结果,使用基于注意力机制的RA-CNN网络模型在对该类问题的识别上完全可行。可在图像分类识别领域提供一定的借鉴性。