基于多特征融合注意力機制的交通標志檢測①

李國強 付 樂 查琳琳 王天雷

(燕山大學電氣工程學院 秦皇島 071000)

0 引言

交通標志識別在智能交通領域占據著重要的地位,它能夠為車輛提供準確的交通標志信息,在無人駕駛領域擁有廣闊的前景,通過實時監測前方交通標志,使無人駕駛技術在遵守交通規則的前提下安全行駛[1]

對于交通標志識別的研究,早期利用傳統圖像識別[2]的方法,采用滑動窗口對圖像遍歷得到候選區域,然后用基于手工設計的特征提取器提取候選區域的特征,之后利用支持向量機(support vetor machine,SVM)對得到的特征進行分類,最后通過目標類別進行邊框回歸。由于存在光照、遮擋、變形等問題,傳統圖像方法在實際的交通標志檢測任務中很難取得很好的效果。近年來卷積神經網絡[3](convolutional neural network,CNN)被越來越多地應用在目標檢測和分類領域,利用CNN 替代手工特征,提取圖像中高層特征的優勢,使深度學習算法在目標檢測領域取得了很大的成果。這些檢測算法可以分為2 大類:兩階段方法(R-CNN[4]、Fast R-CNN[5]和Faster R-CNN[6]等)和單階段方法(YOLO 系列[7-10]、SSD(single shot multibox detector)[11])。其中以Faster R-CNN 為代表的兩階段方法使用區域侯選網絡(region proposal network,RPN)通過共享卷積特征在特征層上生成建議框,再利用建議框區域的卷積特征進行分類和目標框的定位,而YOLO 系列和SSD為代表的單階段檢測方法將物體的分類任務和定位任務統一按照回歸邏輯在輸出層完成預測,并不需要提取候選區,從而大幅提高了運算速度。目前已有很多學者將目標檢測算法應用于交通標志檢測中,文獻[12]在YOLO v3 基礎上提出了融合注意力機制與上下文信息的交通標志檢測方法?！?br>