略谈改进SSD的交通标志目标检测算法

贺海峰 屠良平 袁小艮 谷美璇

摘要：目前，在交通实际场景当中，主要环境标识为交通标志，其是确保先进驾驶辅助系统日常平稳运转的前提条件。然而，利用计算机视觉的目标检测测算方法可有条件符合实际场景信息检测诉求，其在使用中产生了诸多不足之处。依据交通标志目标检测方式，例如：HOG、SIEF等方式方法，要想获得精准检测结果，则需人工开设先验状况方式来完成，造成算法鲁棒性不理想，无法通过交通标志极为繁杂的实践环境检测;相反将此核算方式利用在智能化工作中，不光算法消耗大量时间长、人工成本提升，同时不能达到检测计算方法的及时性原则。

关键词：改进SSD;交通标志;目标检测测算法

现阶段，借助目标检测算法中的SSD算法，呈现出检测速率飞快，但对交通标志类型目标检测结果不达标。随后在SSD算法中，将感受野块架构植入在GG16骨干网络上，不光能快速提高检测速率，又能清晰检测小目标，且结果精准度高。不光如此，网络划分精确度如何提高，需在损失函数中代入中心损失。之后将SSD算法和改进SSD算法通过VOC数据集实践来不断操练，比较二者性能获知，改进之后算法mPA数值可达80.7%，对比SSD300算法效率提升了3.5%，最终能够符合交通场景的实际诉求。

一、SSD交通标志目标检测基础算法

SSD算法为one-stage算法中代表作之一，是被大众认可的极为重要的目标检测架构。VGG16为SSD网络主干，修正部分则将VGG16全部关联层3x3的卷积层conv6与1xI的卷积层conv7代替了fc6和fe7，并且缩减特征图体积，则把池化层pool5 中stride=2的2x2卷积核变更为stride=1的3x3卷积核，随后清除VGG16网络中的dropout层与fc8 层，由此根本上提升辅助卷积层，来处置fine-tuning任务。SSD算法利用浅层CNN网络截获多尺度特性，进行目标检测有针对性，其最主要设计观念划分为：首先，检测通过卷积后特性来完成。且对比YOLO结果通过全关联层作为了网络预测输出，SSD捕获了不相同尺度的Feature Map，随后预测结论被卷积传送出去。而预测结论的取得是结果对形状为mxnxp的FeatureMap只需要3x3xp的小卷积核来完成，降低核算数量。其次，先验框设置。当SSD预测多个bounding box时，完全不等同于YOLO在练习中自适应目标形态，依据FasterR-CNN中的anchor，从而设置长宽比不相同先验框，进一步降低练习困难度。尤其在SSD算法练习进程中，畢竟目标检测捕获到两种数据，具体为目标位置与分类数据，以至于损失函数对于位置偏差与置信度偏差此类型实施核算回归。

二、改进SSD交通标志目标检测算法

SSD算法借用了多尺度预测观念，能够在特征捕捉上实施有效变动，随后创建多尺度特征图中，特点捕捉需要VGG16 网络的conv4_3卷积层来完成，进而缩减Input图像，所以在小目标物体中图像标准为32x32，却在conv5_ 3卷积层中却呈现出2x2，位置数据流失非常严重。而小目标归属与交通场景中的交通标志物，因此SSD算法针对同类目标检测过程中，经常发生目标特点数据损失的状况。基于onv4_3与conv5_ 3卷积层特性呈现出部分丧失问题，而改进SSD算法则通过两方面来完成，首先，感受野块被嵌入在VGG16网络中，当conv4_3和conv5_3特点被捕获与今后特点传送中给出修正;其次，预计交通标志目标特性数据严重不足，从而导致损失函数中添加了CenterLoss损失条目，从而完善了网络类型别置信度预测。

（一）RFB结架构

RFB结架构透过生物学角度来看，按照生物视觉成像基本原理，从而模仿不一样大小地感受野。其架构主要以Ineeption为根本，详尽地改变进程为Inception 、Aspp与Deformable conv。其中Inception集中利用了3x3conv 、9x9conv和15x 15conv等不一样尺寸的卷积核的卷积层组成了多分支架构，进一步扩张了感受野。而Aspp在网络中组成了数个分支架构，尤其在卷积核体积不变情况下，一同变动各个分支卷积核rate体积，进一步扩张感受野的维度。最后Deformable conv来源为Deeplab，膨胀卷积能够在确保数据不动与感受野体积统一时，捕获更高清分辨率特点。

然而，RFB聚集了以上不同架构的优势观念，重点架构借鉴了In-ception模型。详尽的程序为Previous layer 植入到Input 图片中，随后分开通过两个1x1conv，传送至FeatureMap一部分，分开通过了1xlconv、3x3conv、5x5conv，随后针对通过rate=1为2x2conv、rate=3为3x3conv、rate=5为3x3conv ，最终综合从layer 转出的特点，通过1xlconv将shorteut 的1x1conv特点结合在一起，利用激活的函数Relu推断出预测结论。从中不难发现RFB核心聚集不等于感受野特点，随后利用膨胀卷积与rate的方法迅速扩张感受野，随后考量进程中的数据流失，把起初与终了的特性完全结合起来，最大程度的丰富特点数据时，方才可确保特点数据不会被损失。

改进局部把conv4__3和conv7_fe卷积层捕获特点变更为RFB板块，且将Extralayers中卷积层前两层随之变更为RFB架构。尤其在特点捕获进程中，onv4_ 3 与conv7_ fe的FeatureMap在RFB架构中间特点数据小目标局部特点迅速扩大，随后把多阶段的扩大特点和原先特点结合在一起，随机处置骨干网络不同时段特点，最终实施种类划分与定位预测。

（二）Center Loss局部

之前SSD算法针对不同Default形成了独立4维Local-ization向量与Object _number维度种类向量。如何将辨别与种类划分更加精准，植入了Center feature，其能使单独De-fault box实施中心点归位。各种类型中心点间隔非常远，同种类型的中心点比较接近。然而CenterLoss划分为两个部分，一则在forward进程中具体公式为：，二则局部backward进程中，backward承担核算bot-tom与this->blob，而backward又被称作weight_ diff，其为带参网络层单独的blob。所以Center Loss在back-ward中务必考量bottomdata参数梯度及其weight_diff梯度经过在SSD算法往前传送与往后传送进程中核算center局部的loss梯度，获得了loss极值状况，随后与SSD算法原loss局部融合在一起，获得置信度种类预测。

总结

总而言之，针对SSD算法实施改进，一则确保了原先网络低深度、轻量化特点，二则在原网络中植入了RFB架构，又在损失函数中植入了Center Loss损失条目。基于此，最大程度地改进了算法在位置预测与分类预测的精准度，同时检测速率不会受到干扰。此外，RFB架构能够扩张特点感受野，其依据VGG16的浅层网络自身不可捕获特点数据，同时低层网络特点无法获得改进，将来急需在网络骨干上实施优化，进一步确保目标特点数据能够被全面获取，从而整体提升算法的精准度与效率。

参考文献：

[1]彭劲松.基于单阶段神经网络的房屋屋顶检测方法[J].北京测绘.2021，（8）.

[2]蔡俊，赵超，沈晓波，等.SIFT算法在指示类交通标志识别中的应用[J].太原学院学报（自然科学版）.2020，（4）.

[3]霍爱清，张文乐，李浩平.基于深度残差网络和GRU的SqueezeNet模型的交通路标识别[J].计算机工程与科学.2020，（11）.