基于Faster R-CNN的交通標志檢測方法研究

于存江，張廣宇

（長春大學電子信息工程學院 吉林 長春 130000）

1 引言

在某種程度上，深度學習可以理解為對于神經網絡結構的加深，其也是通過自主學習功能，實現對數據進行處理的過程，尤其是在高維數據處理中。在深度學習網絡模型中，其中間層不止一個，通過將深度學習的特征和分類器進行整合，簡化網絡模型結構，從而獲取低層的特征向量，通過不斷對模型進行訓練，從而實現模型的優化。當前在圖像檢測和復雜控制領域中，都得到了良好的應用和發展。

對于深入研究，需要聯合運用計算機軟件系統。當前，國內外關于深度學習的框架軟件中，較為常見的有Caffe和Pytorch等。通過對比各學習框架的優缺點，得出Caffe深度學習框架具有明顯的優勢，其具有擴展性能佳、計算效率高、開放性好等特征，因此在該領域得到了廣泛的應用。

Caffe是由著名學者賈揚清開發的，其主要運用了C++語言，能夠實現與MATLAB的互通連接，同時能夠提供包括Python等軟件的接口，通過對圖像實現可視化的操作，充分訓練和利用CPU，對于強化其圖像識別、處理能力有著理想的效果。本文的研究中，綜合運用Caffe深度學習框架實現課題研究。

無論是單特征還是多特征融合的檢測方法，都具有魯棒性差、操作復雜等缺點，為了能夠進一步解決這個問題，本文提出了基于深度學習的檢測方法，能夠很好地解決上述問題。在深度學習領域中，Faster R-CNN是該領域的一個重要方法，當前情況下已經獲得了較多的研究成果，基于此，本文采用該方法完成對交通標志進行檢測的目的。

2 CNN卷積神經網絡

Fukushimal（1984）提出了神經感知機，這種方式的提出被認為是CNN的首次構建，其實現了神經元部分連接和分層結構模型的建立。LeCun課題組(1989)對CNN模型進行了優化和改進，其融合了手寫識別技術，取得了一定的科研成果。目前，CNN已經在實際生活中得到了越來越廣泛的應用，特別是在計算機視覺領域中，其特有的優點和性能都得到了充分的發揮和利用。

在深度學習領域中，CNN是最為常用的，其具體的構成主要包含3個部分，見圖1。其中輸入層的構建通常為特征映射獲取的數據或圖片；全連接層主要包含兩個功能，一個功能是卷積，另一個功能是池化，前者主要目的是對特征值進行卷積運算，后者主要是對特征值進行提取和轉換，從而降低預檢測數據的維度；輸出層的構建主要是一些結構簡單的分類器。

圖1 CNN結構圖

通常情況下，調整待檢測圖像相應尺寸像素塊，經過求和處理之后，縮小其特征。然后采用池化處理，將數據結果的維度進行有效降低，從而簡化計算過程，減少擬合現象的發生頻率。

CNN模型，對神經網絡中的共享權值和局部連接都產生了較好的效果，不僅簡化了計算過程，也在較大程度上提升了訓練速度，在輸入特征值和輸出特征值之間的關系并未確定的前提下，也能夠實現對樣本的高效訓練，從而確定高維數據之間的關系。

3 Faster R-CNN算法原理

本文采用Faster R-CNN算法。在獲取到待測的目標圖像后，CNN首先完成特征向量的提取，通過對特征進行卷積和池化處理，從而獲取高維圖像特征，將其用于對檢測網絡和RPN網絡的共享環境中；RPN網絡通過對共享特征的有效利用，從而確定交通標志的具體位置；檢測網絡則是通過對交通標志的具體位置進行微調操作，從而提升檢測的準確度，然后獲取最終的檢測結果，并對檢測結果進行分類。見圖2。

圖2 Faster R-CNN結構圖

3.1 特征提取

在對交通標志檢測和識別時，能否對待測樣本的特征進行準確提取，會對檢測和識別的最終結果產生重要影響，綜合過去的研究成果，大多數采用的提取方法為人工進行設計的，其中比較常見的特征提取方法，如加速魯棒特征和方向梯度直方圖等。但是在對圖像進行特征提取的過程中，對其進行有效的設計和優化，通常需要耗費大量的時間和精力，其所設計的提取方法的特征好壞，會對實際檢測結果產生較大影響。

與傳統特征方法相比，CNN摒棄了傳統方法的不足，具有較為突出的優點，CNN算法在獲取交通標志圖像信號后，能夠通過對圖像信號進行卷積和池化處理的方式，從而自動獲取圖像特征，在一定程度上提升了獲取圖像的效率。此外，還通過對權值進行共享，簡化了數據構建的過程，獲取了圖像的高維特征，對于圖像特征的提取結果進行了優化。

由于在對交通標志檢測時，待檢測的交通標志通常較小，如果網絡太深，在進行提取的過程中，就會使得原始圖像目標中的位置信息遭到破壞。因此，在對待測目標的特征提取進行網絡選擇時，以Faster R-CNN的基本原理作為基礎，最終確定了ZF網絡的選擇，不僅對網絡層數較深的缺點進行了優化，也進一步提升了待測目標的檢測效果。

3.2 RPN網絡

采用傳統方法對圖像進行檢測時，通常會設置一個滑窗，通過滑窗滑動實現對待測目標的掃描工作，當滑窗進入到待測目標的待測范圍內，通過檢測分類器就能夠實現對檢測目標的準確檢測。但是采用傳統的檢測方法具有一定的時差性，此外檢測效果不佳。

為了解決上述問題，采用RPN網絡，其特征是能夠完成對于候選區數據信息的生成，其內部結構采用全連接，Faster R-CNN算法過程中的關鍵環節。其工作原理為，在ZF中生成一個滑窗，其大小為3×3，提取高維并輸入到256維區域中，再次輸入到全連接層中，即可確定目標位置參數。

3.3 檢測網絡

本文通過Faster R-CNN算法實現對交通標志的檢測，其特征是能夠改善傳統檢測方法檢測速度慢、占用內存多等問題。

Faster R-CNN算法在實際應用過程中，其步驟可以簡化描述為：

（1）隨意待檢測圖像作為輸入參數。

（2）預處理待檢測圖像，借助CNN提取圖像特征，然后借助RPN網絡共享卷積特征，從而構建完成建議區域，在錨點界定過程中引入了Softmax，以鑒定是否為預設目標。

（3）對判斷后的錨點進行回歸修正處理，從而對目標區域進行精準確定，然后對卷積特征和目標區域進行整合，進而得到目標區域特征圖。

（4）分析目標區域特征，借助網絡全連接層的針對性檢測，完成類別判斷，并多次進行回歸修正，以確保目標位置數據的有效性和準確性。

（5）分類和輸出檢測結果。

4 Faster R-CNN算法實現

4.1 算法流程

Faster R-CNN識別模型的檢測算法具體流程，見圖3。

圖3 檢測算法流程

獲取訓練數據后，構建訓練模型，優化網絡參數，使得其能夠對交通檢測標志中的小目標檢測達到良好效果，通過離線訓練的方式得到模型結構，輸入待測圖像數據，以獲得檢測結果[1-2]。

4.2 訓練過程

Faster R-CNN算法模型主要包含兩種訓練方式，近似聯合方式和交替優化方式。不過這里我們需要強調的是，雖然兩種方法在效果上沒有本質差異，但是前者從本質上來說是端到端的方式，與交替優化相比，其對于硬件系統的要求較低，能夠在一定程度上提升訓練效率。

在網絡訓練過程中，反向傳播是一種利用率較高的方法，其不僅能夠使得檢測效果更好，也能夠在一定程度上優化模型參數。

采用隨機梯度下降算法實現檢測，能夠減少計算過程，在訓練樣本數量較大時，能夠提升訓練的響應速度，節省訓練時間，同時能夠實現在線更新。

對參數進行更新處理：（1）輸入需要訓練的樣本數據；（2）借助高斯分布賦予初始數值；（3）以訓練參數和樣本為基礎，不斷向前傳播以生成輸出值；（4）分析預測結果和實際結果的差異，從而獲取參數梯度數值；（5）調整學習效率，以誤差極小化更新參數；（6）重復3到5，直到收斂。

5 結語

在傳統CNN檢測方法的基礎上，選取了Faster R-CNN算法模型對其進行了優化。首先闡述了該算法的基本原理，本文采用Faster R-CNN檢測算法，是基于深度學習原理，其具備檢測速度快、檢測準確性高等優點，與傳統檢測方式相比，該算法無論是在檢測效果上，還是魯棒性能上，都得到了進一步的提高[3]。