原文传递
基于改进Faster-RCNN的交通标志检测
| 论文题名： | 基于改进Faster-RCNN的交通标志检测 |
| 关键词： | 交通标志检测;辅助驾驶;Faster-RCNN;目标识别;阈值分割;深度学习 |
| 摘要： | 现如今，道路交通飞速发展，方便人民的同时，伴随的是交通事故的频繁发生。面对这类问题，智能交通也在不断发展，如辅助驾驶、智能识别等系统。交通标志的检测也成为了智能交通领域中的重要板块。 随着计算机计算力的不断提升，现已孕育出了很多优秀的基于深度学习的目标检测算法，本文将采用的Faster-RCNN算法就是其中之一。论文围绕该算法模型进行了研究，发现单纯使用Faster-RCNN算法模型依旧存在诸多难题：（a）训练交通标志模型需要大量的数据集作为依托，标注过程繁琐且耗费大量人力物力；（b）虽然日常生活中常见的交通标志较为明显，但在光照强烈和昏暗等情况下会增加检测难度；（c）采集的交通警示牌图像很多会存在模糊目标的情况，即小目标，使得检测比较困难。 本文围绕上述问题对交通标志的检测进行了几个方面的深入研究： （1）提出了一种迁移学习之法，将COCO数据集的预训练权重运用在Faster-RCNN模型内部。从而通过微调模型，可以节省大量的训练时间以及减少计算机资源消耗，如磁盘占用、内存消耗等。 （2）提出了三种SPP结构，分别应用在主干网络ResNet50中，即Faster-RCNN-SPP1、Faster-RCNN-SPP2、Faster-RCNN-SPP3，并通过对比分析，确定最优的SPP结构，结合残差网络，在加深了网络的同时，可以保证局部特征和全局特征很好的融合。这样就可以对光线正常、光线强烈及光线昏暗三种情况下的明显交通标志进行检测，获得良好的检测效果。 （3）对数据集中图像采取预处理措施，以去除图像中大量的背景信息，这样在检测过程中，可以使得交通标志的显著性更好，且检测难度更低。 （4）将GlobalContext注意力机制融入到Faster-RCNN网络中，使得全局上下文的建模能力更强，从而可以获得更好的交通标志图像感受野，使得网络模型能够从全局的角度理解图片，所以对小目标有良好的检测效果。 最终经过消融实验和对比实验分析：本文提出的算法mAP达到了93.95%，充分地验证了本文提出的算法在明显目标、模糊目标等复杂情况下有良好的检测效果。 |
| 作者： | 张宏宇 |
| 专业： | 交通运输工程 |
| 导师： | 王卫星 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
