【摘要】：在自動駕駛領(lǐng)域,用機器代替人實現(xiàn)交通標志的檢測與識別,對駕駛安全和解放人力有著重大意義和良好應用前景。其中,交通標志檢測是識別的基礎(chǔ),是實現(xiàn)機器智能決策的關(guān)鍵。當前,基于計算機視覺的目標檢測方法在公開數(shù)據(jù)集上取得良好結(jié)果,但對于擁擠城市自動駕駛場景下的交通標志檢測,由于大量標志尺寸小且有形變、遮擋、模糊等情況,同時復雜的前景背景及實時計算的要求,使得檢測難度巨大。近年來,基于深度學習的方法在圖像分類、目標檢測、邊緣檢測等任務(wù)上不斷取得進展。因此,本文應用當前流行的區(qū)域卷積和邊緣檢測網(wǎng)絡(luò),針對小尺寸交通標志的特點加以改進,在BDCI數(shù)據(jù)集上取得約50%的平均精度,大幅提升檢測精度并保持較低的計算開銷。本文主要工作和成果如下:1.針對RPN對小尺寸標志檢測精度不高的問題,提出減小參考窗口尺寸,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)來減小網(wǎng)絡(luò)輸入到最后一個卷積層的分辨率縮放倍數(shù),增加RPN訓練正樣本數(shù)量和比例,提升建議區(qū)域質(zhì)量;2.針對Faster R-CNN模型占用空間大和計算速度慢的問題,提出將全連接層等價轉(zhuǎn)化為卷積層并利用膨脹卷積和采樣技術(shù),大幅縮小模型占用空間,且精度速度都保持不變;3.針對密集物體場景下的交通標志檢測,提出以弱監(jiān)督方式訓練RCF邊緣檢測網(wǎng)絡(luò)來生成多實例建議區(qū)域,并提出一種多實例建議區(qū)域評估準則;4.針對多實例建議區(qū)域內(nèi)的單實例定位,提出利用RPN網(wǎng)絡(luò)來訓練建模;5.針對RCF-RPN網(wǎng)絡(luò)產(chǎn)生的建議區(qū)域進一步調(diào)整,通過將Fast R-CNN網(wǎng)絡(luò)添加到RCF-RPN單實例建議區(qū)域方法上,提出完整的基于弱邊緣的目標檢測框架,以適應小尺寸交通標志和常規(guī)尺寸交通標志檢測。通過上述改進,所提算法有效提升了小尺寸交通標志檢測精度,并保持了較高的計算效率,有望推廣到通用小尺寸目標檢測任務(wù)上。
【圖文】：

（a） （b）圖 2-1 傳統(tǒng)目標檢測算法原理（a）滑窗模型（b）檢測框架2.1.1 手工特征利用手工設(shè)計特征對圖像區(qū)域進行表達，相比于原始圖像像素有更好的判別性。經(jīng)典的特征包括 Haar-like[6]，HOG[1]，，LBP[39]，在人臉、行人和通用目標檢測方面都被驗證有效。研究人員在此基礎(chǔ)上通過改進已有特征、提出新特征或融合多種特征，來提升檢測性能。Lienhart 和 Maydt[40]基于 VJ[6]提出針對旋轉(zhuǎn)角度人臉檢測的 Rotated Haar-like 特征；Bosch 等人[41]將多尺度處理融入 HOG[1]而提出 PHOG 特征；Felzenszwalb 等人[7]基于彈簧模型和HOG特征提出DPM檢測算法；Dollár等人基于Haar-like和HOG特征而提出ICF[42ACF[8]特征用于行人檢測；Wang 等人[43]基于區(qū)域統(tǒng)計信息和尺度不變性提出 Regionlet 特征；Paisitkriangkrai 等人[44]基于 COV[45]和 LBP 兩種底層特征提出 Spatial Pool 特征。這里

浙江工業(yè)大學碩士學位論文選取經(jīng)典的 Haar-like、HOG、ACF 特征做介紹。（1）Haar-like 特征Viola 和 Jones[6]提出 Haar-like 特征，并利用級聯(lián)的 AdaBoost 分類器實現(xiàn)人臉檢測�；谶^完備表達思想，設(shè)計了多種尺度、長寬比、模式的區(qū)域濾波器，利用 AdaBoost 執(zhí)行特征選擇與分類實現(xiàn)檢測。
【學位授予單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP183;TP391.41;U491.52

【相似文獻】

相關(guān)期刊論文 前10條

1 張春琴;辛云宏;張媛;;基于邊緣方向分布和粒子濾波的視頻目標跟蹤[J];計算機工程與應用;2011年32期

2 劉瑩;;基于邊緣方向的超分辨率計算方法研究[J];福建電腦;2017年09期

3 丁文;潘峗;嚴曉浪;;一種使用邊緣方向圖的去馬賽克算法[J];小型微型計算機系統(tǒng);2013年09期

4 許允喜;陳方;;最大邊緣方向模式直方圖[J];中國圖象圖形學報;2017年06期

5 趙猛;張化祥;劉麗;;基于顏色和邊緣方向的圖像檢索方法[J];數(shù)據(jù)采集與處理;2016年03期

6 申海洋;李月娥;張?zhí)?;基于邊緣方向直方圖相關(guān)性匹配的圖像檢索[J];計算機應用;2013年07期

7 丁偉利;王文鋒;張旭光;蘇連成;;基于邊緣方向圖的建筑物直線特征提取[J];光學學報;2010年10期

8 高建林;;基于邊緣的角點分類和描述算法[J];電子科技;2016年12期

9 陳澤濱;黃曉華;;基于形狀邊緣方向直方圖的圖像檢索算法研究[J];計算機與現(xiàn)代化;2009年08期

10 潘晴;嚴國萍;張玉寬;;各向異性高通濾波中一種改進型邊緣方向估計算法[J];中國圖象圖形學報;2008年06期

相關(guān)會議論文 前5條

1 黃建軍;唐亮;謝維信;謝興燦;;基于對稱邊緣方向直方圖自動提取主要道路[A];信號與信息處理技術(shù)第三屆信號與信息處理全國聯(lián)合學術(shù)會議論文集[C];2004年

2 汪慧蘭;周偉華;羅斌;;基于邊緣方向自相關(guān)圖與局部顏色的圖像檢索[A];第十二屆全國圖象圖形學學術(shù)會議論文集[C];2005年

3 邢文浩;阮秋琦;;基于邊緣方向直方圖的mean-shift人臉跟蹤[A];圖像圖形技術(shù)研究與應用2009——第四屆圖像圖形技術(shù)與應用學術(shù)會議論文集[C];2009年

4 葉鋒;蔡光東;鄭子華;亓曉旭;尹鵬;;基于多特征融合的藥用植物標本識別[A];2011年中國智能自動化學術(shù)會議論文集（第一分冊）[C];2011年

5 趙鋒;趙榮椿;;紋理分割及特征提取方法綜述[A];1998年中國智能自動化學術(shù)會議論文集（下冊）[C];1998年

相關(guān)博士學位論文 前1條

1 宋新;紅外地面目標的檢測、識別與跟蹤技術(shù)研究及實現(xiàn)[D];國防科學技術(shù)大學;2007年

相關(guān)碩士學位論文 前10條

1 張卓;基于區(qū)域卷積和弱邊緣的小尺寸交通標志檢測[D];浙江工業(yè)大學;2018年

2 李丹東;形貌與邊緣復合測量探頭系統(tǒng)[D];合肥工業(yè)大學;2018年

3 劉憲龍;基于邊緣方向差特征的圖像檢索方法[D];西安電子科技大學;2014年

4 朱書華;基于邊緣方向的物體特征識別算法研究及其應用[D];燕山大學;2012年

5 張珍軍;基于內(nèi)容的圖像檢索技術(shù)研究[D];哈爾濱工程大學;2010年

6 張春琴;非線性視頻目標跟蹤算法研究[D];陜西師范大學;2011年

7 安婷;基于特征信息提取的船舶檢測與跟蹤方法研究[D];華北電力大學;2015年

8 張曉雪;基于結(jié)構(gòu)特征直方圖的圖像檢索[D];東北師范大學;2014年

9 呂倩;基于場景語義的圖像檢索技術(shù)研究[D];武漢理工大學;2012年

10 李元偉;面向智能交通的目標識別關(guān)鍵技術(shù)研究[D];國防科學技術(shù)大學;2013年

本文編號：2588553