基于区域卷积和弱边缘的小尺寸交通标志检测

发布时间：2020-03-18 09:24

【摘要】：在自动驾驶领域,用机器代替人实现交通标志的检测与识别,对驾驶安全和解放人力有着重大意义和良好应用前景。其中,交通标志检测是识别的基础,是实现机器智能决策的关键。当前,基于计算机视觉的目标检测方法在公开数据集上取得良好结果,但对于拥挤城市自动驾驶场景下的交通标志检测,由于大量标志尺寸小且有形变、遮挡、模糊等情况,同时复杂的前景背景及实时计算的要求,使得检测难度巨大。近年来,基于深度学习的方法在图像分类、目标检测、边缘检测等任务上不断取得进展。因此,本文应用当前流行的区域卷积和边缘检测网络,针对小尺寸交通标志的特点加以改进,在BDCI数据集上取得约50%的平均精度,大幅提升检测精度并保持较低的计算开销。本文主要工作和成果如下:1.针对RPN对小尺寸标志检测精度不高的问题,提出减小参考窗口尺寸,调整网络结构来减小网络输入到最后一个卷积层的分辨率缩放倍数,增加RPN训练正样本数量和比例,提升建议区域质量;2.针对Faster R-CNN模型占用空间大和计算速度慢的问题,提出将全连接层等价转化为卷积层并利用膨胀卷积和采样技术,大幅缩小模型占用空间,且精度速度都保持不变;3.针对密集物体场景下的交通标志检测,提出以弱监督方式训练RCF边缘检测网络来生成多实例建议区域,并提出一种多实例建议区域评估准则;4.针对多实例建议区域内的单实例定位,提出利用RPN网络来训练建模;5.针对RCF-RPN网络产生的建议区域进一步调整,通过将Fast R-CNN网络添加到RCF-RPN单实例建议区域方法上,提出完整的基于弱边缘的目标检测框架,以适应小尺寸交通标志和常规尺寸交通标志检测。通过上述改进,所提算法有效提升了小尺寸交通标志检测精度,并保持了较高的计算效率,有望推广到通用小尺寸目标检测任务上。
【图文】：

框架图,滑窗,算法原理,目标检测

（a）（b）图 2-1 传统目标检测算法原理（a）滑窗模型（b）检测框架2.1.1 手工特征利用手工设计特征对图像区域进行表达，相比于原始图像像素有更好的判别性。经典的特征包括 Haar-like[6]，HOG[1]，，LBP[39]，在人脸、行人和通用目标检测方面都被验证有效。研究人员在此基础上通过改进已有特征、提出新特征或融合多种特征，来提升检测性能。Lienhart 和 Maydt[40]基于 VJ[6]提出针对旋转角度人脸检测的 Rotated Haar-like 特征；Bosch 等人[41]将多尺度处理融入 HOG[1]而提出 PHOG 特征；Felzenszwalb 等人[7]基于弹簧模型和HOG特征提出DPM检测算法；Dollár等人基于Haar-like和HOG特征而提出ICF[42ACF[8]特征用于行人检测；Wang 等人[43]基于区域统计信息和尺度不变性提出 Regionlet 特征；Paisitkriangkrai 等人[44]基于 COV[45]和 LBP 两种底层特征提出 Spatial Pool 特征。这里

积分,模版,特征和,浙江工业大学

浙江工业大学硕士学位论文选取经典的 Haar-like、HOG、ACF 特征做介绍。（1）Haar-like 特征Viola 和 Jones[6]提出 Haar-like 特征，并利用级联的 AdaBoost 分类器实现人脸检测。基于过完备表达思想，设计了多种尺度、长宽比、模式的区域滤波器，利用 AdaBoost 执行特征选择与分类实现检测。
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;TP391.41;U491.52

【相似文献】