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

1、眾所周知，無(wú)人駕駛汽車(chē)環(huán)境感知技術(shù)中一個(gè)重要環(huán)節(jié)是交通標(biāo)志牌檢測(cè)識(shí)別。計(jì)算機(jī)計(jì)算水平地不斷提升，以及人工智能催生的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的深入研究，為交通標(biāo)志牌識(shí)別的研究指明了方向，識(shí)別系統(tǒng)實(shí)時(shí)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(shí)時(shí)性自動(dòng)交通標(biāo)志牌檢測(cè)和識(shí)別系統(tǒng)為目標(biāo)，通過(guò)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(shí)別模型。主要研究工作點(diǎn)如下:
　　1)對(duì)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(duì)網(wǎng)絡(luò)特征提取效率，降低計(jì)算量，加速網(wǎng)絡(luò)收斂等起到了重要作用;然后介紹各類(lèi)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(diǎn)分析ResNet（殘差網(wǎng)絡(luò)）和DenseNet（稠密網(wǎng)絡(luò)），通過(guò)展開(kāi)ResNet后發(fā)現(xiàn)，當(dāng)實(shí)際路徑長(zhǎng)于有效路徑時(shí)，法向傳播過(guò)程權(quán)值無(wú)法得到更新，即反向傳播的過(guò)程中能確保更新權(quán)值，這就是DenseNet提出來(lái)的意義。
　　2)設(shè)計(jì)交

3、通標(biāo)志牌識(shí)別稠密網(wǎng)絡(luò)模型。本文稠密網(wǎng)絡(luò)模型主要有三個(gè)部分組成，即預(yù)處理網(wǎng)絡(luò)、特征提取網(wǎng)絡(luò)、分類(lèi)網(wǎng)絡(luò)。預(yù)處理網(wǎng)絡(luò)是指粗略地對(duì)數(shù)據(jù)集進(jìn)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(jì)思路，減少訓(xùn)練時(shí)間和內(nèi)存占用;分類(lèi)網(wǎng)絡(luò)則采用average pooling（全局平均池化），每張?zhí)卣鲌D均對(duì)應(yīng)一個(gè)輸出類(lèi)特征。
　　3)數(shù)據(jù)集擴(kuò)增處理。采用German Tra

4、ffic Sign Dataset數(shù)據(jù)集來(lái)訓(xùn)練和驗(yàn)證模型，通過(guò)翻轉(zhuǎn)操作和數(shù)據(jù)增強(qiáng)操作來(lái)擴(kuò)充訓(xùn)練集圖片數(shù)量，并且考慮到各類(lèi)間圖片數(shù)量均衡，重采樣了訓(xùn)練集，隨機(jī)選取訓(xùn)練樣本進(jìn)行形態(tài)學(xué)變換和照度變換，經(jīng)過(guò)數(shù)據(jù)擴(kuò)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(cè)試。訓(xùn)練過(guò)程設(shè)置超參數(shù)，其中損失函數(shù)包含SoftMax分類(lèi)交叉熵?fù)p失和L2正則損失，優(yōu)化解析器采用SGD(Stochastic Gradient Descent，即隨