略談改進SSD的交通標志目標檢測算法

賀海峰 屠良平 袁小艮 谷美璇

摘要：目前，在交通實際場景當中，主要環境標識為交通標志，其是確保先進駕駛輔助系統日常平穩運轉的前提條件。然而，利用計算機視覺的目標檢測測算方法可有條件符合實際場景信息檢測訴求，其在使用中產生了諸多不足之處。依據交通標志目標檢測方式，例如：HOG、SIEF等方式方法，要想獲得精準檢測結果，則需人工開設先驗狀況方式來完成，造成算法魯棒性不理想，無法通過交通標志極為繁雜的實踐環境檢測;相反將此核算方式利用在智能化工作中，不光算法消耗大量時間長、人工成本提升，同時不能達到檢測計算方法的及時性原則。

關鍵詞：改進SSD;交通標志;目標檢測測算法

現階段，借助目標檢測算法中的SSD算法，呈現出檢測速率飛快，但對交通標志類型目標檢測結果不達標。隨后在SSD算法中，將感受野塊架構植入在GG16骨干網絡上，不光能快速提高檢測速率，又能清晰檢測小目標，且結果精準度高。不光如此，網絡劃分精確度如何提高，需在損失函數中代入中心損失。之后將SSD算法和改進SSD算法通過VOC數據集實踐來不斷操練，比較二者性能獲知，改進之后算法mPA數值可達80.7%，對比SSD300算法效率提升了3.5%，最終能夠符合交通場景的實際訴求。

一、SSD交通標志目標檢測基礎算法

SSD算法為one-stage算法中代表作之一，是被大眾認可的極為重要的目標檢測架構。VGG16為SSD網絡主干，修正部分則將VGG16全部關聯層3x3的卷積層conv6與1xI的卷積層conv7代替了fc6和fe7，并且縮減特征圖體積，則把池化層pool5 中stride=2的2x2卷積核變更為stride=1的3x3卷積核，隨后清除VGG16網絡中的dropout層與fc8 層，由此根本上提升輔助卷積層，來處置fine-tuning任務。SSD算法利用淺層CNN網絡截獲多尺度特性，進行目標檢測有針對性，其最主要設計觀念劃分為：首先，檢測通過卷積后特性來完成。且對比YOLO結果通過全關聯層作為了網絡預測輸出，SSD捕獲了不相同尺度的Feature Map，隨后預測結論被卷積傳送出去。而預測結論的取得是結果對形狀為mxnxp的FeatureMap只需要3x3xp的小卷積核來完成，降低核算數量。其次，先驗框設置。當SSD預測多個bounding box時，完全不等同于YOLO在練習中自適應目標形態，依據FasterR-CNN中的anchor，從而設置長寬比不相同先驗框，進一步降低練習困難度。尤其在SSD算法練習進程中，畢竟目標檢測捕獲到兩種數據，具體為目標位置與分類數據，以至于損失函數對于位置偏差與置信度偏差此類型實施核算回歸。

二、改進SSD交通標志目標檢測算法

SSD算法借用了多尺度預測觀念，能夠在特征捕捉上實施有效變動，隨后創建多尺度特征圖中，特點捕捉需要VGG16 網絡的conv4_3卷積層來完成，進而縮減Input圖像，所以在小目標物體中圖像標準為32x32，卻在conv5_ 3卷積層中卻呈現出2x2，位置數據流失非常嚴重。而小目標歸屬與交通場景中的交通標志物，因此SSD算法針對同類目標檢測過程中，經常發生目標特點數據損失的狀況。基于onv4_3與conv5_ 3卷積層特性呈現出部分喪失問題，而改進SSD算法則通過兩方面來完成，首先，感受野塊被嵌入在VGG16網絡中，當conv4_3和conv5_3特點被捕獲與今后特點傳送中給出修正;其次，預計交通標志目標特性數據嚴重不足，從而導致損失函數中添加了CenterLoss損失條目，從而完善了網絡類型別置信度預測。

（一）RFB結架構

RFB結架構透過生物學角度來看，按照生物視覺成像基本原理，從而模仿不一樣大小地感受野。其架構主要以Ineeption為根本，詳盡地改變進程為Inception 、Aspp與Deformable conv。其中Inception集中利用了3x3conv 、9x9conv和15x 15conv等不一樣尺寸的卷積核的卷積層組成了多分支架構，進一步擴張了感受野。而Aspp在網絡中組成了數個分支架構，尤其在卷積核體積不變情況下，一同變動各個分支卷積核rate體積，進一步擴張感受野的維度。最后Deformable conv來源為Deeplab，膨脹卷積能夠在確保數據不動與感受野體積統一時，捕獲更高清分辨率特點。

然而，RFB聚集了以上不同架構的優勢觀念，重點架構借鑒了In-ception模型。詳盡的程序為Previous layer 植入到Input 圖片中，隨后分開通過兩個1x1conv，傳送至FeatureMap一部分，分開通過了1xlconv、3x3conv、5x5conv，隨后針對通過rate=1為2x2conv、rate=3為3x3conv、rate=5為3x3conv ，最終綜合從layer 轉出的特點，通過1xlconv將shorteut 的1x1conv特點結合在一起，利用激活的函數Relu推斷出預測結論。從中不難發現RFB核心聚集不等于感受野特點，隨后利用膨脹卷積與rate的方法迅速擴張感受野，隨后考量進程中的數據流失，把起初與終了的特性完全結合起來，最大程度的豐富特點數據時，方才可確保特點數據不會被損失。

改進局部把conv4__3和conv7_fe卷積層捕獲特點變更為RFB板塊，且將Extralayers中卷積層前兩層隨之變更為RFB架構。尤其在特點捕獲進程中，onv4_ 3 與conv7_ fe的FeatureMap在RFB架構中間特點數據小目標局部特點迅速擴大，隨后把多階段的擴大特點和原先特點結合在一起，隨機處置骨干網絡不同時段特點，最終實施種類劃分與定位預測。

（二）Center Loss局部

之前SSD算法針對不同Default形成了獨立4維Local-ization向量與Object _number維度種類向量。如何將辨別與種類劃分更加精準，植入了Center feature，其能使單獨De-fault box實施中心點歸位。各種類型中心點間隔非常遠，同種類型的中心點比較接近。然而CenterLoss劃分為兩個部分，一則在forward進程中具體公式為：，二則局部backward進程中，backward承擔核算bot-tom與this->blob，而backward又被稱作weight_ diff，其為帶參網絡層單獨的blob。所以Center Loss在back-ward中務必考量bottomdata參數梯度及其weight_diff梯度經過在SSD算法往前傳送與往后傳送進程中核算center局部的loss梯度，獲得了loss極值狀況，隨后與SSD算法原loss局部融合在一起，獲得置信度種類預測。

總結

總而言之，針對SSD算法實施改進，一則確保了原先網絡低深度、輕量化特點，二則在原網絡中植入了RFB架構，又在損失函數中植入了Center Loss損失條目。基于此，最大程度地改進了算法在位置預測與分類預測的精準度，同時檢測速率不會受到干擾。此外，RFB架構能夠擴張特點感受野，其依據VGG16的淺層網絡自身不可捕獲特點數據，同時低層網絡特點無法獲得改進，將來急需在網絡骨干上實施優化，進一步確保目標特點數據能夠被全面獲取，從而整體提升算法的精準度與效率。

參考文獻：

[1]彭勁松.基于單階段神經網絡的房屋屋頂檢測方法[J].北京測繪.2021，（8）.

[2]蔡俊，趙超，沈曉波，等.SIFT算法在指示類交通標志識別中的應用[J].太原學院學報（自然科學版）.2020，（4）.

[3]霍愛清，張文樂，李浩平.基于深度殘差網絡和GRU的SqueezeNet模型的交通路標識別[J].計算機工程與科學.2020，（11）.