论文部分内容阅读
随着城市化进程越来越快,城市道路交通问题显得日益突出,对智能交通系统的需求也在不断扩大,而交通标志检测作为智能交通系统中的重要构成部分,已成为国内外研究的热点。智能交通系统能否实际应用,关键在于如何提高交通标志检测算法在自然场景中的性能。针对当前交通标志检测算法大多数是基于形状和颜色特征的,而这些算法在自然场景下存有很大的局限性,特别是在白天、夜晚或者不同天气状况下都有可能造成交通标志的颜色特征发生变化,以及交通标志被遮挡造成目标图像形状特征发生变化而导致的检测率降低。对此,本文围绕着如何提升自然场景下交通标志检测的召回率和准确率展开研究,提出了一种基于多尺度特征融合网络的交通标志检测方法。主要研究工作有如下:(1)基于GPU运算平台,对几种前沿的基于深度学习的目标检测算法进行交通标志检测的研究实验。首先使用Faster R-CNN算法进行交通标志的检测,并使用深度残差网络ResNet对其算法改进,提高了该算法的识别精度。之后采用了R-FCN算法进行交通标志检测的实验研究,再在同一数据集上进行了实验结果的比较,并从中分析了得出此实验结果的原因。(2)构建了一种多尺度卷积神经网络,结合了两种算法来构造整个算法检测系统。首先,在特征提取阶段,采用U-Net架构融合多层特征映射。最后,利用了Denseboxs算法的思想来检测目标,它可以通过整幅图像直接预测边界框和目标类别的置信度。为了减少目标检测时间,并且提高系统检测的准确度。设计了一种改进的Locality-Aware NMS(非极大值抑制,Non-maximum Suppression)算法。该算法有效的降低了算法复杂度,并且降低了系统的误检率。(3)运用了一种新的基于Dice coefficient的损失函数来计算目标置信度的损失,它能够在模型训练过程中对前景和背景样本像素之间建立正确的平衡,有效地提高了交通标志检测尤其小像素目标的检测性能表现。(4)对GTSDB和Tsinghua-Tencent 100K两个基准数据集进行了评估,并与经典算法进行了对比,实验结果表明,本文所提出的交通标志检测系统在准确率、召回率等方面都有较好的表现。