[發(fā)明專利]一種基于改進(jìn)SSD算法的交通標(biāo)識(shí)的檢測識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010050313.3
• 申請(qǐng)日: 2020-01-17
• 公開（公告）號(hào): CN111259808A
• 公開（公告）日: 2020-06-09
• 發(fā)明（設(shè)計(jì)）人: 石宇良;王小偉
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 沈波

本發(fā)明公開了一種基于改進(jìn)SSD算法的交通標(biāo)識(shí)檢測識(shí)別方法，本發(fā)明主要?jiǎng)?chuàng)新點(diǎn)在于構(gòu)建網(wǎng)絡(luò)時(shí)采用ResNet18網(wǎng)絡(luò)來作為前置網(wǎng)絡(luò)代替原始算法中的VGG16網(wǎng)絡(luò)，選取SeLU激活函數(shù)代替原本SSD算法的網(wǎng)絡(luò)結(jié)構(gòu)中使用的ReLU激活函數(shù)，增加了網(wǎng)絡(luò)結(jié)構(gòu)的魯棒性。選擇深度殘差網(wǎng)絡(luò)作為前置網(wǎng)絡(luò)，增加多尺度融合特征層，將交通標(biāo)識(shí)數(shù)據(jù)集輸入到網(wǎng)絡(luò)模型中訓(xùn)練，使用訓(xùn)練好的模型進(jìn)行交通標(biāo)識(shí)區(qū)域檢測，獲得交通標(biāo)識(shí)區(qū)域后，該方法先擴(kuò)展交通標(biāo)識(shí)區(qū)域并對(duì)該區(qū)域進(jìn)行自適應(yīng)二值化操作，然后對(duì)二值化后的圖像進(jìn)行連通區(qū)域分析尋找到交通標(biāo)識(shí)邊框，采用隨機(jī)抽樣一致算法和Sobel算子分別判斷交通標(biāo)識(shí)的上下左右邊界，實(shí)驗(yàn)結(jié)果表明本方法能達(dá)到對(duì)交通標(biāo)識(shí)實(shí)時(shí)精確定位和識(shí)別的結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺中的圖像識(shí)別領(lǐng)域，涉及一種圖像檢測識(shí)別方法的創(chuàng)新。

背景技術(shù)

交通標(biāo)識(shí)的檢測與分類識(shí)別是無人駕駛系統(tǒng)和駕駛員輔助系統(tǒng)的重要組成部分，解決交通標(biāo)識(shí)的識(shí)別問題對(duì)無人駕駛技術(shù)發(fā)展具有重要意義。根據(jù)當(dāng)前目標(biāo)檢測領(lǐng)域的算法工作流程可以將目標(biāo)識(shí)別方法分為兩類：一種是雙步法，如R-CNN、Fast R-CNN算法模型；另一種是單步法，比較經(jīng)典的算法模型有YOLO和SSD(Single Shot MultiBox Detector，下文簡稱SSD)等。SSD算法由北卡羅來納大學(xué)教堂山分校的Wei Liu等人提出，專門針對(duì)解決YOLO類算法的定位精度問題。SSD算法結(jié)合Faster R-CNN的anchor box機(jī)制和YOLO的回歸思想，通過預(yù)測不同尺度特征提取層上的目標(biāo)區(qū)域，將邊界框的輸出空間離散化為一系列多尺度、多比例的預(yù)選框。在檢測階段網(wǎng)絡(luò)將生成感興趣目標(biāo)的對(duì)應(yīng)置信度并對(duì)預(yù)選框進(jìn)行調(diào)整以匹配目標(biāo)區(qū)域。

SSD在大目標(biāo)檢測方面表現(xiàn)良好，并且對(duì)于不同目標(biāo)的長寬比魯棒性好，對(duì)于小目標(biāo)檢測可以通過增加輸入圖像的尺寸以提高檢測率，但是仍然需要進(jìn)一步的改進(jìn)。通過基于區(qū)域建議和基于回歸的目標(biāo)檢測算法在COCO、PASCAL VOC2007、PASCALVOC2012數(shù)據(jù)集上的平均精度均值和檢測速度的對(duì)比，可以發(fā)現(xiàn)：基于回歸的目標(biāo)檢測算法在檢測精度上略高于基于區(qū)域建議的目標(biāo)檢測算法，在檢測速度上明顯高于基于區(qū)域建議的目標(biāo)檢測算法，所以本發(fā)明采用SSD算法對(duì)交通標(biāo)識(shí)圖像進(jìn)行檢測和識(shí)別。如圖1是原本SSD網(wǎng)絡(luò)結(jié)構(gòu)圖。

發(fā)明內(nèi)容

為了解決以上因外界復(fù)雜環(huán)境如光度、拍攝角度、畫質(zhì)而影響的交通標(biāo)識(shí)圖像檢測結(jié)果后存在定位精度不高、實(shí)時(shí)性差的問題。

為了實(shí)現(xiàn)相應(yīng)的技術(shù)目的，本發(fā)明采用的技術(shù)方案實(shí)現(xiàn)的一種基于改進(jìn)SSD算法的交通標(biāo)識(shí)檢測識(shí)別方法，如圖2是本發(fā)明對(duì)交通標(biāo)識(shí)檢測識(shí)別的流程圖，其具體方法包括以下內(nèi)容：

S1目標(biāo)檢測識(shí)別網(wǎng)絡(luò)的前置網(wǎng)絡(luò)

S1.1深度學(xué)習(xí)網(wǎng)絡(luò)的深度對(duì)分類和識(shí)別的準(zhǔn)確率有著很大的影響，為了能夠提高網(wǎng)絡(luò)的準(zhǔn)確率，我們會(huì)通過加深網(wǎng)絡(luò)深度的方法來達(dá)到這個(gè)目的。普通深度學(xué)習(xí)的網(wǎng)絡(luò)隨著深度增加，會(huì)出現(xiàn)錯(cuò)誤率升高的問題，ResNet(Deep Residual Network，下文簡稱ResNet)的提出主要解決隨著網(wǎng)絡(luò)深度的加深梯度逐漸消失，模型退化的現(xiàn)象，該網(wǎng)絡(luò)引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)，在增加網(wǎng)絡(luò)層的同時(shí)，最終分類的效果也明顯比之前有所提高。殘差結(jié)構(gòu)單元通過捷徑連接實(shí)現(xiàn)，捷徑將這個(gè)結(jié)構(gòu)的輸入和輸出進(jìn)行加疊操作，這種做法并不會(huì)影響原始網(wǎng)絡(luò)的復(fù)雜度，當(dāng)模型的層數(shù)加深時(shí)還減弱了由此帶來的梯度消失現(xiàn)象，有效提高了識(shí)別效果。深度殘差網(wǎng)絡(luò)在ImageNet上通過使用不同層數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行測試，測試結(jié)果表明隨著層數(shù)的增多錯(cuò)誤率卻隨之下降，其中網(wǎng)絡(luò)層數(shù)為152層的殘差網(wǎng)絡(luò)實(shí)現(xiàn)了3.75％的錯(cuò)誤率，但是隨著層數(shù)的越來越深計(jì)算量的增加，訓(xùn)練的速度也會(huì)降低變慢。

S1.2在SSD模型中，前置網(wǎng)絡(luò)是用來為權(quán)重附初始值，使得訓(xùn)練時(shí)更快收斂，提高訓(xùn)練效率，前置網(wǎng)絡(luò)的選取會(huì)影響到整個(gè)網(wǎng)絡(luò)的訓(xùn)練效率。