基于稠密網(wǎng)絡(luò)的無人駕駛汽車交通標(biāo)志牌識別技術(shù)研究.pdf

1、眾所周知，無人駕駛汽車環(huán)境感知技術(shù)中一個重要環(huán)節(jié)是交通標(biāo)志牌檢測識別。計算機計算水平地不斷提升，以及人工智能催生的機器學(xué)習(xí)、深度學(xué)習(xí)的深入研究，為交通標(biāo)志牌識別的研究指明了方向，識別系統(tǒng)實時性與準(zhǔn)確性逐漸得到提高。
　　本文以研究高準(zhǔn)確性與高實時性自動交通標(biāo)志牌檢測和識別系統(tǒng)為目標(biāo)，通過研究分析目前各方面性能表現(xiàn)優(yōu)異的深層卷積神經(jīng)網(wǎng)絡(luò)，利用深度學(xué)習(xí)的方法構(gòu)建交通標(biāo)志牌識別模型。主要研究工作點如下:
　　1)對深層卷積神網(wǎng)絡(luò)的

2、綜述。首先介紹卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)構(gòu)件及方法，理解其對網(wǎng)絡(luò)特征提取效率，降低計算量，加速網(wǎng)絡(luò)收斂等起到了重要作用;然后介紹各類深層卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與發(fā)展脈絡(luò)，其結(jié)果是深層卷積神經(jīng)網(wǎng)絡(luò)性能不斷得到提升;重點分析ResNet（殘差網(wǎng)絡(luò)）和DenseNet（稠密網(wǎng)絡(luò)），通過展開ResNet后發(fā)現(xiàn)，當(dāng)實際路徑長于有效路徑時，法向傳播過程權(quán)值無法得到更新，即反向傳播的過程中能確保更新權(quán)值，這就是DenseNet提出來的意義。
　　2)設(shè)計交

3、通標(biāo)志牌識別稠密網(wǎng)絡(luò)模型。本文稠密網(wǎng)絡(luò)模型主要有三個部分組成，即預(yù)處理網(wǎng)絡(luò)、特征提取網(wǎng)絡(luò)、分類網(wǎng)絡(luò)。預(yù)處理網(wǎng)絡(luò)是指粗略地對數(shù)據(jù)集進行顏色空間轉(zhuǎn)換、提取圖像特征，為后續(xù)的特征提取層做預(yù)處理;特征提取網(wǎng)絡(luò)采用DenseNet的稠密塊構(gòu)建方法，提出寬淺稠密網(wǎng)絡(luò)的設(shè)計思路，減少訓(xùn)練時間和內(nèi)存占用;分類網(wǎng)絡(luò)則采用average pooling（全局平均池化），每張?zhí)卣鲌D均對應(yīng)一個輸出類特征。
　　3)數(shù)據(jù)集擴增處理。采用German Tra

4、ffic Sign Dataset數(shù)據(jù)集來訓(xùn)練和驗證模型，通過翻轉(zhuǎn)操作和數(shù)據(jù)增強操作來擴充訓(xùn)練集圖片數(shù)量，并且考慮到各類間圖片數(shù)量均衡，重采樣了訓(xùn)練集，隨機選取訓(xùn)練樣本進行形態(tài)學(xué)變換和照度變換，經(jīng)過數(shù)據(jù)擴增后訓(xùn)練集數(shù)量增至860000張。
　　4)稠密網(wǎng)絡(luò)模型訓(xùn)練與測試。訓(xùn)練過程設(shè)置超參數(shù)，其中損失函數(shù)包含SoftMax分類交叉熵損失和L2正則損失，優(yōu)化解析器采用SGD(Stochastic Gradient Descent，即隨