基于Faster R-CNN的交通标志检测方法研究

于存江，张广宇

（长春大学电子信息工程学院 吉林 长春 130000）

1 引言

在某种程度上，深度学习可以理解为对于神经网络结构的加深，其也是通过自主学习功能，实现对数据进行处理的过程，尤其是在高维数据处理中。在深度学习网络模型中，其中间层不止一个，通过将深度学习的特征和分类器进行整合，简化网络模型结构，从而获取低层的特征向量，通过不断对模型进行训练，从而实现模型的优化。当前在图像检测和复杂控制领域中，都得到了良好的应用和发展。

对于深入研究，需要联合运用计算机软件系统。当前，国内外关于深度学习的框架软件中，较为常见的有Caffe和Pytorch等。通过对比各学习框架的优缺点，得出Caffe深度学习框架具有明显的优势，其具有扩展性能佳、计算效率高、开放性好等特征，因此在该领域得到了广泛的应用。

Caffe是由著名学者贾扬清开发的，其主要运用了C++语言，能够实现与MATLAB的互通连接，同时能够提供包括Python等软件的接口，通过对图像实现可视化的操作，充分训练和利用CPU，对于强化其图像识别、处理能力有着理想的效果。本文的研究中，综合运用Caffe深度学习框架实现课题研究。

无论是单特征还是多特征融合的检测方法，都具有鲁棒性差、操作复杂等缺点，为了能够进一步解决这个问题，本文提出了基于深度学习的检测方法，能够很好地解决上述问题。在深度学习领域中，Faster R-CNN是该领域的一个重要方法，当前情况下已经获得了较多的研究成果，基于此，本文采用该方法完成对交通标志进行检测的目的。

2 CNN卷积神经网络

Fukushimal（1984）提出了神经感知机，这种方式的提出被认为是CNN的首次构建，其实现了神经元部分连接和分层结构模型的建立。LeCun课题组(1989)对CNN模型进行了优化和改进，其融合了手写识别技术，取得了一定的科研成果。目前，CNN已经在实际生活中得到了越来越广泛的应用，特别是在计算机视觉领域中，其特有的优点和性能都得到了充分的发挥和利用。

在深度学习领域中，CNN是最为常用的，其具体的构成主要包含3个部分，见图1。其中输入层的构建通常为特征映射获取的数据或图片；全连接层主要包含两个功能，一个功能是卷积，另一个功能是池化，前者主要目的是对特征值进行卷积运算，后者主要是对特征值进行提取和转换，从而降低预检测数据的维度；输出层的构建主要是一些结构简单的分类器。

图1 CNN结构图

通常情况下，调整待检测图像相应尺寸像素块，经过求和处理之后，缩小其特征。然后采用池化处理，将数据结果的维度进行有效降低，从而简化计算过程，减少拟合现象的发生频率。

CNN模型，对神经网络中的共享权值和局部连接都产生了较好的效果，不仅简化了计算过程，也在较大程度上提升了训练速度，在输入特征值和输出特征值之间的关系并未确定的前提下，也能够实现对样本的高效训练，从而确定高维数据之间的关系。

3 Faster R-CNN算法原理

本文采用Faster R-CNN算法。在获取到待测的目标图像后，CNN首先完成特征向量的提取，通过对特征进行卷积和池化处理，从而获取高维图像特征，将其用于对检测网络和RPN网络的共享环境中；RPN网络通过对共享特征的有效利用，从而确定交通标志的具体位置；检测网络则是通过对交通标志的具体位置进行微调操作，从而提升检测的准确度，然后获取最终的检测结果，并对检测结果进行分类。见图2。

图2 Faster R-CNN结构图

3.1 特征提取

在对交通标志检测和识别时，能否对待测样本的特征进行准确提取，会对检测和识别的最终结果产生重要影响，综合过去的研究成果，大多数采用的提取方法为人工进行设计的，其中比较常见的特征提取方法，如加速鲁棒特征和方向梯度直方图等。但是在对图像进行特征提取的过程中，对其进行有效的设计和优化，通常需要耗费大量的时间和精力，其所设计的提取方法的特征好坏，会对实际检测结果产生较大影响。

与传统特征方法相比，CNN摒弃了传统方法的不足，具有较为突出的优点，CNN算法在获取交通标志图像信号后，能够通过对图像信号进行卷积和池化处理的方式，从而自动获取图像特征，在一定程度上提升了获取图像的效率。此外，还通过对权值进行共享，简化了数据构建的过程，获取了图像的高维特征，对于图像特征的提取结果进行了优化。

由于在对交通标志检测时，待检测的交通标志通常较小，如果网络太深，在进行提取的过程中，就会使得原始图像目标中的位置信息遭到破坏。因此，在对待测目标的特征提取进行网络选择时，以Faster R-CNN的基本原理作为基础，最终确定了ZF网络的选择，不仅对网络层数较深的缺点进行了优化，也进一步提升了待测目标的检测效果。

3.2 RPN网络

采用传统方法对图像进行检测时，通常会设置一个滑窗，通过滑窗滑动实现对待测目标的扫描工作，当滑窗进入到待测目标的待测范围内，通过检测分类器就能够实现对检测目标的准确检测。但是采用传统的检测方法具有一定的时差性，此外检测效果不佳。

为了解决上述问题，采用RPN网络，其特征是能够完成对于候选区数据信息的生成，其内部结构采用全连接，Faster R-CNN算法过程中的关键环节。其工作原理为，在ZF中生成一个滑窗，其大小为3×3，提取高维并输入到256维区域中，再次输入到全连接层中，即可确定目标位置参数。

3.3 检测网络

本文通过Faster R-CNN算法实现对交通标志的检测，其特征是能够改善传统检测方法检测速度慢、占用内存多等问题。

Faster R-CNN算法在实际应用过程中，其步骤可以简化描述为：

（1）随意待检测图像作为输入参数。

（2）预处理待检测图像，借助CNN提取图像特征，然后借助RPN网络共享卷积特征，从而构建完成建议区域，在锚点界定过程中引入了Softmax，以鉴定是否为预设目标。

（3）对判断后的锚点进行回归修正处理，从而对目标区域进行精准确定，然后对卷积特征和目标区域进行整合，进而得到目标区域特征图。

（4）分析目标区域特征，借助网络全连接层的针对性检测，完成类别判断，并多次进行回归修正，以确保目标位置数据的有效性和准确性。

（5）分类和输出检测结果。

4 Faster R-CNN算法实现

4.1 算法流程

Faster R-CNN识别模型的检测算法具体流程，见图3。

图3 检测算法流程

获取训练数据后，构建训练模型，优化网络参数，使得其能够对交通检测标志中的小目标检测达到良好效果，通过离线训练的方式得到模型结构，输入待测图像数据，以获得检测结果[1-2]。

4.2 训练过程

Faster R-CNN算法模型主要包含两种训练方式，近似联合方式和交替优化方式。不过这里我们需要强调的是，虽然两种方法在效果上没有本质差异，但是前者从本质上来说是端到端的方式，与交替优化相比，其对于硬件系统的要求较低，能够在一定程度上提升训练效率。

在网络训练过程中，反向传播是一种利用率较高的方法，其不仅能够使得检测效果更好，也能够在一定程度上优化模型参数。

采用随机梯度下降算法实现检测，能够减少计算过程，在训练样本数量较大时，能够提升训练的响应速度，节省训练时间，同时能够实现在线更新。

对参数进行更新处理：（1）输入需要训练的样本数据；（2）借助高斯分布赋予初始数值；（3）以训练参数和样本为基础，不断向前传播以生成输出值；（4）分析预测结果和实际结果的差异，从而获取参数梯度数值；（5）调整学习效率，以误差极小化更新参数；（6）重复3到5，直到收敛。

5 结语

在传统CNN检测方法的基础上，选取了Faster R-CNN算法模型对其进行了优化。首先阐述了该算法的基本原理，本文采用Faster R-CNN检测算法，是基于深度学习原理，其具备检测速度快、检测准确性高等优点，与传统检测方式相比，该算法无论是在检测效果上，还是鲁棒性能上，都得到了进一步的提高[3]。