[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

说明书

本发明公开了一种基于改进SSD算法的交通标识检测识别方法，本发明主要创新点在于构建网络时采用ResNet18网络来作为前置网络代替原始算法中的VGG16网络，选取SeLU激活函数代替原本SSD算法的网络结构中使用的ReLU激活函数，增加了网络结构的鲁棒性。选择深度残差网络作为前置网络，增加多尺度融合特征层，将交通标识数据集输入到网络模型中训练，使用训练好的模型进行交通标识区域检测，获得交通标识区域后，该方法先扩展交通标识区域并对该区域进行自适应二值化操作，然后对二值化后的图像进行连通区域分析寻找到交通标识边框，采用随机抽样一致算法和Sobel算子分别判断交通标识的上下左右边界，实验结果表明本方法能达到对交通标识实时精确定位和识别的结果。

技术领域

本发明属于计算机视觉中的图像识别领域，涉及一种图像检测识别方法的创新。

背景技术

交通标识的检测与分类识别是无人驾驶系统和驾驶员辅助系统的重要组成部分，解决交通标识的识别问题对无人驾驶技术发展具有重要意义。根据当前目标检测领域的算法工作流程可以将目标识别方法分为两类：一种是双步法，如R-CNN、Fast R-CNN算法模型；另一种是单步法，比较经典的算法模型有YOLO和SSD(Single Shot MultiBox Detector，下文简称SSD)等。SSD算法由北卡罗来纳大学教堂山分校的Wei Liu等人提出，专门针对解决YOLO类算法的定位精度问题。SSD算法结合Faster R-CNN的anchor box机制和YOLO的回归思想，通过预测不同尺度特征提取层上的目标区域，将边界框的输出空间离散化为一系列多尺度、多比例的预选框。在检测阶段网络将生成感兴趣目标的对应置信度并对预选框进行调整以匹配目标区域。

SSD在大目标检测方面表现良好，并且对于不同目标的长宽比鲁棒性好，对于小目标检测可以通过增加输入图像的尺寸以提高检测率，但是仍然需要进一步的改进。通过基于区域建议和基于回归的目标检测算法在COCO、PASCAL VOC2007、PASCALVOC2012数据集上的平均精度均值和检测速度的对比，可以发现：基于回归的目标检测算法在检测精度上略高于基于区域建议的目标检测算法，在检测速度上明显高于基于区域建议的目标检测算法，所以本发明采用SSD算法对交通标识图像进行检测和识别。如图1是原本SSD网络结构图。

发明内容

为了解决以上因外界复杂环境如光度、拍摄角度、画质而影响的交通标识图像检测结果后存在定位精度不高、实时性差的问题。

为了实现相应的技术目的，本发明采用的技术方案实现的一种基于改进SSD算法的交通标识检测识别方法，如图2是本发明对交通标识检测识别的流程图，其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深度学习网络的深度对分类和识别的准确率有着很大的影响，为了能够提高网络的准确率，我们会通过加深网络深度的方法来达到这个目的。普通深度学习的网络随着深度增加，会出现错误率升高的问题，ResNet(Deep Residual Network，下文简称ResNet)的提出主要解决随着网络深度的加深梯度逐渐消失，模型退化的现象，该网络引入了残差网络结构，在增加网络层的同时，最终分类的效果也明显比之前有所提高。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，这种做法并不会影响原始网络的复杂度，当模型的层数加深时还减弱了由此带来的梯度消失现象，有效提高了识别效果。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，测试结果表明随着层数的增多错误率却随之下降，其中网络层数为152层的残差网络实现了3.75％的错误率，但是随着层数的越来越深计算量的增加，训练的速度也会降低变慢。

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，提高训练效率，前置网络的选取会影响到整个网络的训练效率。