[发明专利]一种基于改进SSD算法的交通标识的检测识别方法

权利要求书

1.一种基于改进SSD算法的交通标识检测识别方法，其特征在于：具体方法包括以下内容：

S1目标检测识别网络的前置网络

S1.1深度学习网络引入残差网络结构，残差结构单元通过捷径连接实现，捷径将这个结构的输入和输出进行加叠操作；深度残差网络在ImageNet上通过使用不同层数的网络结构进行测试；

S1.2在SSD模型中，前置网络是用来为权重附初始值，使得训练时更快收敛，前置网络的选取会影响到整个网络的训练效率；

S1.3在SSD原有模型的基础上，对VGG16、ResNet34、ResNet18三种网络分别作为目标检测模型的前置网络，逐一在PASCAL VOC 2007数据集上进行对比测试；采用ResNet18网络来作为前置网络代替VGG16网络；

S2目标检测识别网络引入预选框

S2.1在SSD模型目标检测算法中引入了预选框，预选框在不同的特征层中拥有不同的尺寸大小，在同一个特征层中又有不同的纵横比值，覆盖输入图像中的各种形状和大小的目标，softmax分类和边框回归得到真实目标的所在位置；以特征图上每个点的中点为中心，生成一系列同心的预选框，预选框最小边长为min_size，最大边长为每在prototxt设置一个纵横比，增加了2个长方形预选框，该预选框的长度和宽度分别为和

S2.2预选框的大小与输入图片比值S_k通过公式1计算得到；

其中m是指做预测的特征图的总数，S_min和S_max是表示预选框的大小与输入图片比值S_k的最小值与最大值；在设定好预选框大小和输入图片比例的最小值和最大值时，按照上述公式计算获得一组比值，该组比值依次对应着每个特征层中预选框与输入图片的比例，计算出各特征层预选框的最大值和最小值；

S2.3当设置预选框边长的纵横比时，特征层中会另外增加2个长方形预选框，每个长方形预选框宽的长度和高的长度分别由公式2和公式3计算；

其中边长的纵横比为a_预，确定各层特征层的取值，设置各特征层纵横比，根据以上公式计算出每层生成的长方形预选框的宽度与高度；

S3目标检测识别网络激活函数

S3.1交通标识检测网络将在ResNet18网络中的3个卷积层即conv3_2、conv4_2、conv5_2和在SSD网络中额外添加的3个卷积层即conv8、conv9、conv10上进行相邻卷积层间多尺度特征融合操作，得到5个特征层即convfl_1、convfl_2、convfl_3、convfl_4、convfl_5；加上该网络最后的平均池化层pool11构成网络特征提取层用来预测目标位置和目标置信度；经过实验对比选取的前置网络ResNet18，设置比例值S_k的间距值和每个特征提取层的预选框纵横比数值，基于以上网络结构的设置构建交通标识检测网络模型，检测网络的输入图像大小为300×300，每个卷积层的卷积核尺寸大小设为3×3，池化层的采样核尺寸大小设为1×1；

S3.2在相邻层特征图融合前需要加入BN层和激活函数进行归一化以及激活操作；

S3.3ReLU激活函数当训练神经网络模型时设置大的学习率时，会出现训练中断的情况；

S3.4激活函数SeLU引入了自归一化的属性，并且使用Banach的不动点定理证明了即使存在噪声和干扰的情况下，通过多个网络层后仍然能够收敛到零均值和单位方差；对于不趋近单位方差的激励值，方差映射存在上下界，并不会出现梯度消失和梯度爆炸的情况；激活函数如公式4所示

其中λ≈1.0507，α≈1.6733；

选取SeLU激活函数应用在构建的网络结构中，通过对神经元进行自动地转移和重缩放实现归一化到零均值和单位方差，以增加网络结构的鲁棒性；

S4目标检测识别网络的损失函数；

S5目标检测识别网络对比分析。