基于稠密網絡的無人駕駛汽車交通標志牌識別技術研究.pdf

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

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

3、通標志牌識別稠密網絡模型。本文稠密網絡模型主要有三個部分組成，即預處理網絡、特征提取網絡、分類網絡。預處理網絡是指粗略地對數(shù)據(jù)集進行顏色空間轉換、提取圖像特征，為后續(xù)的特征提取層做預處理;特征提取網絡采用DenseNet的稠密塊構建方法，提出寬淺稠密網絡的設計思路，減少訓練時間和內存占用;分類網絡則采用average pooling（全局平均池化），每張?zhí)卣鲌D均對應一個輸出類特征。
　　3)數(shù)據(jù)集擴增處理。采用German Tra

4、ffic Sign Dataset數(shù)據(jù)集來訓練和驗證模型，通過翻轉操作和數(shù)據(jù)增強操作來擴充訓練集圖片數(shù)量，并且考慮到各類間圖片數(shù)量均衡，重采樣了訓練集，隨機選取訓練樣本進行形態(tài)學變換和照度變換，經過數(shù)據(jù)擴增后訓練集數(shù)量增至860000張。
　　4)稠密網絡模型訓練與測試。訓練過程設置超參數(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