详情

原文传递基于深度学习的公路护栏目标检测方法研究

论文题名：	基于深度学习的公路护栏目标检测方法研究
关键词：	智能汽车;公路护栏;目标检测;深度学习
摘要：	环境感知是智能汽车获取道路周围环境信息，从而做出控制和决策的基础。公路护栏作为道路交通中的重要环境要素，是智能汽车识别和检测的重要任务。　　现有的公路护栏目标检测多采用传统的数字图像处理方法，手工设计特征的方法复杂，对护栏的特征提取不充分，检测准确性和实时性不足。基于深度学习的护栏目标检测方法通过对护栏特征的提取和学习，能有效提高检测精度和速度。本文通过改进YOLOv4和Mask R-CNN，提出了两种护栏目标检测算法。主要的工作如下：　　（1）对公路护栏图像进行预处理并建立公路护栏目标检测数据集。对于画质较暗、对比度不高护栏图像，采用限制对比度直方图均衡(Contrast Limited Adaptive Histgram Equalization,CLAHE)算法来提高图像的亮度；对于图像中存在噪声的护栏图像，采用中值滤波算法进行图像去噪。然后，从预处理之后的护栏图像数据中筛选了总计20182张图片，标记了30728个护栏目标，建立了公路护栏目标检测数据集并进行了数据增强。　　（2）提出了改进YOLOv4的公路护栏目标检测算法。YOLOv4的主干网络部分结构复杂、浅层网络特征提取不充分、激活函数的计算成本过大，特征融合网络对护栏的多尺度特征融合不足，因此本文在原YOLOv4网络模型的主干网络结构和激活函数以及特征融合网络结构三个方面做出改进。为了更好地提取浅层网络特征信息，在主干网络中引入密集连接卷积网络(DenseNet)取代部分残差网络(ResNet)。使用SiLU激活函数代替原Mish激活函数，SiLU可以在计算成本更小的前提下达到与Mish相似性能。为了进一步简化模型，在不影响网络特征提取的前提下适当减少DenseNet中卷积核数量。为了更好地融合不同尺度的特征，在特征融合网络中引入尺度均衡金字塔卷积(Scale-Equalizing Pyramid Convolution,SEPC)模块。　　（3）提出了改进Mask R-CNN的公路护栏目标检测算法。Mask R-CNN网络模型存在特征提取网络结构过于复杂，特征提取的效率不高，特征金字塔网络对底层网络特征的提取不充分，损失函数的设计没有很好地考虑目标边缘信息和对图像像素进行分类的问题。因此对原Mask R-CNN做了三个方面的改进：主干特征提取网络改用聚集残差变换网络(ResNeXt)，从而更高效地提取网络特征；在特征金字塔网络结构中增加了自下而上反向侧连接的分支，使中低层网络的几何特征与高层网络的语义特征更加充分地融合，提高了特征图的利用率；引入边缘一致性误差来作为模型损失函数的一部分，使目标边缘分割更准确，提高图像分割的准确率。　　实验结果表明，改进的YOLOv4算法检测不同背景环境下的护栏平均精度为95.7%，比原YOLOv4算法提高了6.6%，检测速度比原YOLOv4提高了15.5%。改进的Mask R-CNN算法检测各类复杂环境下的护栏平均精度为96.6%，比原Mask R-CNN算法提高了5.7%，护栏分割准确率提高了3.1%。相较于其他目标检测算法，改进的Mask R-CNN检测护栏的精度最高，改进的YOLOv4检测速度最快。因此，对于追求护栏检测精度的任务可采用改进的Mask R-CNN算法，对于追求护栏检测速度的任务可采用改进的YOLOv4算法。
作者：	金豪
专业：	计算机科学与技术
导师：	蓝章礼
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2022