采用Ranking Saliency算法改進的交通標志檢測方法

蔡 凱,周永霞

(中國計量大學(xué) 信息工程學(xué)院,浙江 杭州 310018)

由于無人駕駛的蓬勃發(fā)展,車載輔助系統(tǒng)是近年來研究的熱點。其核心的步驟之一便是如何能夠快速、準確地理解前方道路的信息。在這之中,由于交通標志所含有的有效信息最多,因此對交通標志的快速檢測與識別是駕駛輔助系統(tǒng)的關(guān)鍵[1-2]。

近年來,國內(nèi)外的學(xué)者對交通標志的檢測與識別有諸多研究。在傳統(tǒng)算法中,一方面,通過交通標志的顏色進行檢測,KAMADA H等人[3]提出了根據(jù)特定的RGB顏色分量的強度與RGB的強度之和的顏色比的方法。ESCALERA A等人[4]也提出了一種通過RGB相關(guān)性閾值進行分割的方法。MIURA J[5]提出基于YUV的方法,ARNOUI P[6]提出通過HIS彩色空間進行檢測的方法;另一方面,通過交通標志的形狀進行檢測。MALDONADO-BASCON S[7],LIU H[8]提出了基于徑向?qū)ΨQ的算法。MATHIAS M等人[9]分別將現(xiàn)有的部分交通標志檢測算法在德國交通標志數(shù)據(jù)集和比利時交通標志數(shù)據(jù)集進行性能評估。

隨著深度學(xué)習(xí)的發(fā)展,業(yè)界普遍認為深度學(xué)習(xí)在圖像方面的表現(xiàn)是優(yōu)于某些傳統(tǒng)方法的。尤其在目標檢測方面取得了巨大的進展,通過諸多學(xué)者的不懈努力,提出了SPPNet[10]，F(xiàn)ast R-CNN[11],Faster R-CNN[12],YOLO[13]和SSD[14]等諸多目標檢測算法。使得基于卷積網(wǎng)絡(luò)的目標檢測算法在檢測速度和檢測精度上都有了大幅度的提高。JIN J Q等[15]提出了使用鉸鏈損失隨機梯度下降的優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法。QIAN R等[16]提出了一種基于區(qū)域的深度卷積神經(jīng)網(wǎng)絡(luò)的方法。

在數(shù)據(jù)集方面,交通標志的公開數(shù)據(jù)集數(shù)目遠遠落后于計算機視覺其他領(lǐng)域的數(shù)據(jù)集數(shù)目。……