基于深度可分離卷積的交通標(biāo)志識別算法

楊晉生，楊雁南，李天驕

(天津大學(xué) 微電子學(xué)院，天津030072)

1 引 言

隨著信息時代的到來，在科學(xué)研究、互聯(lián)網(wǎng)應(yīng)用、電子商務(wù)、自由駕駛等諸多應(yīng)用領(lǐng)域?qū)τ谌斯ぶ悄艿男枨笕找嫫惹衃1]。在這種情況下，基于機(jī)器學(xué)習(xí)和人工智能的研究必將成為今后計(jì)算機(jī)和通信技術(shù)發(fā)展中最重要的一部分[2]。

交通標(biāo)志是現(xiàn)代公路交通環(huán)境中最重要的組成部分，隨著社會的進(jìn)步，路面交通變得多樣化、立體化，交通標(biāo)志也因此變得多種多樣。自動駕駛作為時下最熱門的內(nèi)容，包括路面感知、路徑規(guī)劃、決策等技術(shù)。其中，作為車輛行駛的指揮者，交通標(biāo)志的識別是自動駕駛和車輛輔助駕駛技術(shù)中最核心的技術(shù)之一。受天氣狀況、光照變化和硬件設(shè)施的限制，在車輛行駛過程中所捕獲到的圖像常常受到圖像模糊、路標(biāo)褪色、背景掩蓋等問題的影響，如何快速準(zhǔn)確地識別交通標(biāo)志成為了當(dāng)前研究的一個重要方向。

目前對于交通標(biāo)志的識別主要可分為傳統(tǒng)圖像處理方法和基于卷積神經(jīng)網(wǎng)絡(luò)兩個大的研究方向。采用傳統(tǒng)圖像處理方法進(jìn)行目標(biāo)識別多采用經(jīng)典的基于HOG-SVM[3]的方法進(jìn)行目標(biāo)識別。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的出現(xiàn)為目標(biāo)識別提供了一種全新的處理方法。采用深度學(xué)習(xí)進(jìn)行目標(biāo)識別大致分為兩類：基于候選區(qū)域目標(biāo)檢測器的網(wǎng)絡(luò)如AlexNet[4]、R-CNN[5]、Fast R-CNN[6]、Faster R-CNN[7]、R-FCN[8]、FPN[9]等；基于端到端的不需要提供候選區(qū)域的網(wǎng)絡(luò)如SSD[10]、YOLO[11]等?；诤蜻x區(qū)域目標(biāo)檢測采用選擇性搜索算法進(jìn)行評估相鄰圖像間的相似度，將相似度高的合并，進(jìn)而選出合適的子圖進(jìn)行特征提取?；诤蜻x區(qū)域目標(biāo)檢測的算法具有較高的精度，但同時由于其龐大的計(jì)算量，其檢測速度并不能滿足交通標(biāo)志識別所需要的時效性。如Ren等人提出的Faster R-CNN,其在VOC2012[12]數(shù)據(jù)集上的檢測速度只有5 f/s。由于基于候選區(qū)域的檢測算法普遍存在運(yùn)算速度慢、訓(xùn)練復(fù)雜的特點(diǎn)，YOLO創(chuàng)造性地提出了將物體定位和物體分類合二為一的算法，大大提高了對物體識別速度的要求，使識別速度提升到了45 f/s，滿足了對檢測實(shí)效性的要求。但同時YOLO系列算法也存在識別精度較差的缺陷，在對COCO數(shù)據(jù)集中20類物體的檢測中僅獲得平均精度(mAP)63%的結(jié)果，其在小目標(biāo)檢測上更有著明顯的缺陷。盡管如此，其在檢測速度上的優(yōu)勢，使其在移動端部署有著得天獨(dú)厚的優(yōu)勢。

近年來，在保證檢測速度的同時提升檢測精度已經(jīng)成為了當(dāng)下目標(biāo)檢測算法中最熱門的研究領(lǐng)域。SSD綜合了檢測精度最高的Faster-RCNN和檢測速度最快的YOLO的優(yōu)勢，在識別精度和速度上進(jìn)行了平衡。2017年，Redmon[13]在YOLO的基礎(chǔ)上進(jìn)行了優(yōu)化形成了YOLOv2，全新的YOLOv2在VOC2017數(shù)據(jù)集上獲得了76.8 mAP，優(yōu)于使用ResNet的SSD和Faster-RCNN，2018年Redmon在YOLOv2的基礎(chǔ)上引入了多尺度預(yù)測產(chǎn)生了YOLOv3，對小目標(biāo)的檢測進(jìn)行了優(yōu)化，同時基于YOLOv3也設(shè)計(jì)了更簡化的版本YOLOv3-tiny，有利于其在移動端上的應(yīng)用。

本文所做的貢獻(xiàn)有：

(1)針對YOLv3-tiny檢測精度低的問題，采用深度可分離卷積(Depthwise Separable Convolution[14])搭建主干網(wǎng)絡(luò)，相較于普通的卷積運(yùn)算，大量減少計(jì)算量，從而在相同的計(jì)算量條件下搭建更多層次的網(wǎng)絡(luò)，提取更高層次的語義特征。

(2)優(yōu)化深度可分離卷積計(jì)算模塊，采用swish[15]函數(shù)的簡化版本h-swish做為激活函數(shù)，在保證激活函數(shù)計(jì)算量小的同時保留更多的特征，減少因網(wǎng)絡(luò)層數(shù)增加而造成的隨機(jī)梯度消失，進(jìn)而提高檢測的精度。

(3)在YOLOv3-tiny的多尺度特征融合網(wǎng)絡(luò)基礎(chǔ)上，增加8倍下采樣融合，構(gòu)建更多尺度的特征融合網(wǎng)絡(luò)，提高對小目標(biāo)的檢測精度。

2 目標(biāo)檢測原理

2.1 YOLO目標(biāo)檢測原理

YOLO(You Only Look Once)是目前最先進(jìn)的端對端目標(biāo)檢測的算法之一。YOLO將多目標(biāo)檢測轉(zhuǎn)換成一個回歸問題，去除了以往結(jié)構(gòu)中提取待檢測區(qū)域(Proposal)的步驟，通過一次回歸運(yùn)算完成目標(biāo)位置、目標(biāo)種類及其目標(biāo)置信度的工作。通過調(diào)整網(wǎng)絡(luò)最終輸出種類的數(shù)量控制最后輸出的檢測矢量大小，進(jìn)而實(shí)現(xiàn)對多類物體的檢測。

YOLOv3作為目前YOLO系列最新的一代算法，是在吸取了Faster R-CNN采用預(yù)測Anchor box偏移值代替直接預(yù)測目標(biāo)框中心位置坐標(biāo)值、借鑒Resnet加入殘差模塊、增加FPN[16](Feature pyramid networks)等方法后提出的最新的網(wǎng)絡(luò)結(jié)構(gòu)。YOLOv3網(wǎng)絡(luò)由骨干的Darknet-53網(wǎng)絡(luò)和基于FPN的多尺度融合的檢測網(wǎng)絡(luò)構(gòu)成。通過在13×13、26×26、52×52三種不同尺度的YOLO層上進(jìn)行預(yù)測，極大的改善了對不同尺度大小問題和被遮擋物體的效果。在針對多目標(biāo)檢測問題上，使用Logistic分類器取代了Softmax分類器，采用多尺度隨機(jī)訓(xùn)練來增強(qiáng)網(wǎng)絡(luò)的魯棒性。

(1)

YOLO系列從YOLOv2開始使用Anchor box的思想進(jìn)行預(yù)測框的迭代逼近，對預(yù)測框的逼近算法進(jìn)行了更新，每一個預(yù)測框返回值參數(shù)為(bx,by,bw,bh),其具體計(jì)算方式如公式(2)所示：

(2)

YOLOv3的損失函數(shù)如公式(3)所示：

(3)

YOLOv3-Tiny作為YOLOv3的簡化版本，在犧牲了一部分檢測精度的情況下將檢測速度的優(yōu)勢進(jìn)一步發(fā)揮。YOLOv3-Tiny的主干網(wǎng)絡(luò)由7層的類Darknet-19網(wǎng)絡(luò)構(gòu)成，輸出13×13和26×26兩種不同尺度的特征進(jìn)行檢測特征回歸，預(yù)測出多個預(yù)測框和其相應(yīng)的置信度得分，通過使用非極大抑制(Non-maximum suppression，NMS)算法剔除掉低置信度的預(yù)測結(jié)果，保留高置信度的預(yù)測框輸出。

2.2 深度可分離網(wǎng)絡(luò)

對于傳統(tǒng)的卷積計(jì)算，在進(jìn)行卷積運(yùn)算時需要同時將對應(yīng)圖像區(qū)域中的所有通道進(jìn)行考慮。深度可分離卷積提出了一種將圖像的對應(yīng)區(qū)域和通道分開進(jìn)行處理，先考慮區(qū)域特征，然后再考慮通道特征，將傳統(tǒng)的卷積運(yùn)算分解成Depthwise 和Pointwise兩個過程。

對于傳統(tǒng)的卷積運(yùn)算，有N×H×W×C的輸入與k個n×n的卷積核進(jìn)行卷積運(yùn)算，在pad=1和stride=1的情況下輸出為N×H×W×k。

對于深度可分離卷積，在Depthwise過程中，將輸入的N×H×W×C劃分成C組，對于每一組做n×n的卷積運(yùn)算，收集卷積運(yùn)算中的每個channel的空間特征。

圖2 Depthwise卷積過程Fig.2 Depthwise convolution process

在Pointwise過程中，對Depthwise中的結(jié)果進(jìn)行k個1×1的卷積運(yùn)算，收集每個point上的特征，也就是卷積運(yùn)算中的位置特征，經(jīng)過Pointwise和Depthwise兩個步驟，最終輸出的結(jié)果也是N×H×W×k。

圖3 Pointwise卷積過程Fig.3 Pointwise convolution process

對于N×H×W×C和k×n×n的卷積運(yùn)算，普通的卷積運(yùn)算運(yùn)算量為H×W×C×k×n×n，對于深度可分離卷積運(yùn)算，在Depthwise階段計(jì)算量為H×W×C×n×n；在Pointwise階段計(jì)算量為H×W×C×k，總的計(jì)算量為H×W×C×(k+n×n)。

相較于普通的卷積計(jì)算，其計(jì)算量壓縮P如公式(4)所示：

(4)

3 改進(jìn)的網(wǎng)絡(luò)模型

3.1 優(yōu)化的深度可分離卷積的特征提取主體網(wǎng)絡(luò)

為了實(shí)現(xiàn)對交通標(biāo)志的動態(tài)識別，解決現(xiàn)在YOLOv3-tiny等YOLO系列輕型網(wǎng)絡(luò)檢測精度低的問題，采用可分離深度卷積重新構(gòu)建了特征提取網(wǎng)絡(luò)，代替YOLOv3-tiny中的類Darknet-19網(wǎng)絡(luò)，提取更高層次的圖像特征信息。

相較于普通的卷積運(yùn)算模塊，基礎(chǔ)的深度可分離卷積模塊如圖4所示。

圖4 標(biāo)準(zhǔn)卷積與深度可分離卷積模塊Fig.4 Standard convolution and depth separable convolution module

與普通的卷積模塊相似，深度可分離卷積模塊在Depthwise和Pointwise層后增加BN層和激活函數(shù)層。但是采用ReLU作為激活函數(shù)，因?yàn)槠鋵ω?fù)值取0的特性，會丟失掉部分的特征信息的問題，所以在Depthwise Conv模塊后選擇Leaky ReLU代替ReLU作為激活函數(shù)。同時在1×1的Conv層中，選擇使用h-swish函數(shù)來代替Relu作為激活函數(shù)，來減少由于網(wǎng)絡(luò)層數(shù)增加造成的網(wǎng)絡(luò)梯度消失的影響。

h-swish函數(shù)是swish激活函數(shù)的簡化版，swish的計(jì)算方法如公式(5)所示：

(5)

其中：β是個常數(shù)或可訓(xùn)練的參數(shù)。swish 具備無上界有下界、平滑、非單調(diào)的特性。

相較于ReLU激活函數(shù)及其衍生激活函數(shù)，在深層網(wǎng)絡(luò)中，swish激活函數(shù)可以很好的提高神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。h-swish函數(shù)的計(jì)算方式如公式(6)所示：

(6)

兩種激活函數(shù)圖像對比如圖5所示。相較于swish函數(shù)需要計(jì)算Sigmoid從而計(jì)算時間長的特點(diǎn)，在圖像上h-swish函數(shù)在保持swish激活函數(shù)具備無上界有下界、平滑、非單調(diào)的特點(diǎn)外，其函數(shù)只由ReLU函數(shù)構(gòu)成外，極大的減少了swish函數(shù)的運(yùn)算時間，實(shí)現(xiàn)了精度和運(yùn)算速度上的兼容。

圖5 h-swish函數(shù)與swish函數(shù)對比圖Fig.5 Comparison of h-swish function and swish function

優(yōu)化后的基礎(chǔ)深度可分離卷積模塊結(jié)構(gòu)如下圖6所示。

圖6 優(yōu)化的深度可分離卷積模塊Fig.6 Optimized deep separable convolution module

3.2 優(yōu)化的多尺度融合網(wǎng)絡(luò)

采用優(yōu)化后的深度可分離卷積模塊搭建主體網(wǎng)絡(luò)提取圖像特征。對于實(shí)時的交通路標(biāo)檢測，其重點(diǎn)是對于中遠(yuǎn)距離交通路標(biāo)的檢測，也就是對圖像中中小目標(biāo)的檢測，為了提高對中遠(yuǎn)距離交通標(biāo)志的檢測，給予駕駛員足夠的反應(yīng)時間。為減少中小尺度的目標(biāo)語義損失、更好的提取中小目標(biāo)的特征，同時避免高分辨率特征提取增加較大的計(jì)算量。在網(wǎng)絡(luò)設(shè)置中減少對32倍下采樣的特征提取層設(shè)置，在8倍下采樣和16倍下采樣設(shè)置更多層次網(wǎng)絡(luò)進(jìn)行的特征提取。特征提取主體網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 特征提取主體網(wǎng)絡(luò)Tab.1 Feature extraction subject network

續(xù) 表

YOLOv3-tiny采用16倍下采樣和32倍下采樣的兩個尺度的特征融合，這意味著當(dāng)輸入的檢測目標(biāo)小于16 pixel×16 pixel時，就喪失了對該目標(biāo)的檢測能力。為提高網(wǎng)絡(luò)對小目標(biāo)的檢測精度，提高對目標(biāo)位置信息的判斷，使得網(wǎng)絡(luò)獲得更多小目標(biāo)的特征信息。在YOLOv3-tiny的基礎(chǔ)上增加對網(wǎng)絡(luò)8倍下采樣的尺度融合，將原本16倍下采樣融合后的輸出結(jié)果進(jìn)行上采樣，與主體網(wǎng)絡(luò)中輸出的8倍下采樣結(jié)果進(jìn)行融合，建立8倍下采樣的融合特征檢測層，收集8 pixel×8 pixel尺度的特征，提高對小目標(biāo)的檢測和位置信息判斷。

網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖7所示。

圖7 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.7 Schematic diagram of the network structure

4 結(jié)果分析

本文采用中國交通標(biāo)志檢測數(shù)據(jù)集(CCTSDB[17])作為實(shí)驗(yàn)數(shù)據(jù)集，實(shí)驗(yàn)使用Ubuntu 16.04 操作系統(tǒng)、Darknet深度學(xué)習(xí)框架、CUDA9.0進(jìn)行加速，硬件配置為：CPU Intel Core i7-9750H、GPU Nvidia GTX 1080。本次實(shí)驗(yàn)中，我們將從網(wǎng)絡(luò)計(jì)算量大小、模型檢測速度、檢測準(zhǔn)確度和召回率等多個指標(biāo)與將本文算法與目前最主流的輕型網(wǎng)絡(luò)YOLOv3-tiny、YOLOv2-tiny以及YOLO系列的最新版本YOLOv3進(jìn)行對比。

4.1 數(shù)據(jù)集

中國交通標(biāo)志檢測數(shù)據(jù)集(CCTSDB)是在原中國中國交通標(biāo)志數(shù)據(jù)集(CTSD)數(shù)據(jù)集的基礎(chǔ)上擴(kuò)充得到的。數(shù)據(jù)集包含15 734張由攝像機(jī)拍攝而成的現(xiàn)實(shí)路況圖片。數(shù)據(jù)集由正樣本和負(fù)樣本構(gòu)成，正樣本中包含一個或多個交通標(biāo)志，負(fù)樣本不包含交通標(biāo)志，所有圖像橫縱尺寸均大于416 pixel。數(shù)據(jù)集采用PASCAL VOC格式進(jìn)行標(biāo)注，標(biāo)注數(shù)據(jù)依據(jù)交通標(biāo)志的作用分為警告標(biāo)志(Warining)指示標(biāo)志(Mandatory)、禁止標(biāo)志(Prohibitory)3類。本次訓(xùn)練選取前2 000張為驗(yàn)證集，剩余圖片作為訓(xùn)練集對數(shù)據(jù)集中標(biāo)注的3類交通標(biāo)志進(jìn)行檢測，訓(xùn)練集與驗(yàn)證集比例約為7∶1。

4.2 訓(xùn)練參數(shù)設(shè)置

本次實(shí)驗(yàn)訓(xùn)練階段初始學(xué)習(xí)率為 0.001，衰減系數(shù)為0.000 5，在訓(xùn)練迭代次數(shù)為40 000次和 45 000次時，分別將學(xué)習(xí)率降低為0.000 1和 0.000 01。使損失函數(shù)進(jìn)一步收斂，在訓(xùn)練階段利用增加對比度、調(diào)整曝光量和旋轉(zhuǎn)圖像方法對訓(xùn)練集中圖像進(jìn)行擴(kuò)充。

從YOLOv2開始引入anchor box的思想，YOLO系列中設(shè)置的初始anchor box是作者使用K-means聚類方法在COCO數(shù)據(jù)集上聚類的結(jié)果，對本次訓(xùn)練所檢測的交通標(biāo)志并不適用，因此需要重新設(shè)置anchor box。在本次實(shí)驗(yàn)中使用平均重疊度(Avg IOU)這一指標(biāo)作為初始anchor box的聚類指標(biāo)，其計(jì)算公式如公式(7)所示：

(7)

其中：B表示 ground truth 中標(biāo)注好的目標(biāo)框位置。C表示設(shè)置anchor的中心，nk表示第k個anchor box樣本的個數(shù)，n表示樣本的總個數(shù)，k表示anchor box的個數(shù)，IIOU(B,C)表示簇的中心框和聚類框的交并比。

對本文中數(shù)據(jù)進(jìn)行Avg IOU聚類，綜合網(wǎng)絡(luò)結(jié)構(gòu)和Avg IOU后，選擇k=6，設(shè)置6個初始anchor box,各個anchor對應(yīng)長寬分別為：(7,9)，(14,18)，(23,30)，(26,41)，(41,62)，(74,106)。

本文算法模型及各對比算法模型的損失函數(shù)下降圖如圖8所示。

圖8 損失函數(shù)下降圖Fig.8 Loss function decline graph

由損失函數(shù)曲線可以看出，對比4種算法，YOLOv3-tiny收斂最快，在40 000次迭代后趨于穩(wěn)定，但損失函數(shù)下降波動相較本文算法波動較大，本文算法損失函數(shù)由于采用深度可分離卷積搭建特征提取網(wǎng)絡(luò)，因此收斂速度較普通卷積相比較慢在70 000次左右損失函數(shù)趨于平穩(wěn)，但由于增加了更多層次的特征提取網(wǎng)絡(luò)和三尺度的特征融合，訓(xùn)練平穩(wěn)后的損失函數(shù)更小，精度更高。YOLOv3作為大型網(wǎng)絡(luò)，其下降趨勢平穩(wěn)且波動最小，但由于YOLOv3網(wǎng)絡(luò)層數(shù)多且訓(xùn)練參數(shù)復(fù)雜，因此迭代收斂速度較慢，在80 000次迭代后才趨于平穩(wěn)，但訓(xùn)練平穩(wěn)后損失函數(shù)最小，精度也最高。YOLOv2-tiny雖然網(wǎng)絡(luò)結(jié)構(gòu)最簡單，訓(xùn)練速度快，但其收斂最慢，在100 000次訓(xùn)練之后才趨于穩(wěn)定，且穩(wěn)定后的收斂函數(shù)數(shù)值最大，精度最低。

4.3 實(shí)驗(yàn)結(jié)果與分析

為進(jìn)一步驗(yàn)證本模型能有效的降低了卷積運(yùn)算中的計(jì)算量和參數(shù)數(shù)量，本文采用浮點(diǎn)數(shù)計(jì)算量BFLOPs(Billion Floating Point Operations)對傳統(tǒng)的卷積模型和本文所提出的基于深度可分離卷積的計(jì)算量分析。在本文中52×52，26×26，13×13三個尺度上的基于傳統(tǒng)卷積和基于深度可分離卷積的運(yùn)算次數(shù)對比如表2所示。

表2 浮點(diǎn)數(shù)計(jì)算量對比表Tab.2 Comparison of floating point calculation amount

由此可見，對于3個尺度上的計(jì)算，相較于傳統(tǒng)的卷積運(yùn)算，基于深度可分離卷積的運(yùn)算模塊均有效的減少了運(yùn)算的計(jì)算量。

為進(jìn)一步評價本算法效果，類別檢測平均精準(zhǔn)度(Average Precision，AP)、平均精度(Mean Average Precision，mAP)、每秒幀數(shù)(Frames Per Second，fps)作為評價標(biāo)準(zhǔn)，將本文網(wǎng)絡(luò)結(jié)構(gòu)與YOLOv3-tiny、YOLOv2-tiny和YOLOv3進(jìn)行對比。

平均精準(zhǔn)度及平均精度計(jì)算方式如公式(8)所示：

(8)

其中:APc采用VOC2007[18]的計(jì)算方式進(jìn)行計(jì)算，將召回率曲線中劃分共11個等距點(diǎn)(0,0.1,0.2,…,0.9,1)后，求其最大精度的平均值可獲得平均精度AP，即各類物體的平均準(zhǔn)確率。N為網(wǎng)絡(luò)中物體類別的數(shù)量，mAP為各類物體AP的平均數(shù)。

本文使用法每秒處理的圖像數(shù)量f/s作為評價網(wǎng)絡(luò)檢測速度的指標(biāo)。

將本文算法與YOLOv3-tiny、YOLOv2-tiny、YOLOv3的結(jié)果進(jìn)行對比，所有算法均采用上文設(shè)置的anchor box，將其在2000張驗(yàn)證集上檢測，其各項(xiàng)性能對比如表3所示。

從表3可以看出，本文提出的算法在驗(yàn)證集上獲得mAP為97.54%、Warining類準(zhǔn)確率98.57%、Mandatory類準(zhǔn)確率96.03%、Prohibitory類準(zhǔn)確率98.17%、檢測速度為201.5 f/s，相較于YOLOv3-tiny分別提高了14.01%，9.74%，12.43%、19.86%，相較于YOLOv2-tiny分別提高了39.15%，30.62%，36.99%，49.84%，檢測速度指標(biāo)上3種算法基本持平，均穩(wěn)定在200 f/s以上。其主要原因是本文方法和YOLOv3-tiny均采用特征圖像金字塔搭建多尺度特征融合，將多個尺度的特征融合進(jìn)行檢測，因此在檢測精度上較YOLOv2-tiny有了較大提升。本文算法較YOLOv3-tiny使用優(yōu)化后的深度可分離卷積搭建了27層特征提取網(wǎng)絡(luò)，較YOLOv3-tiny原本的7層的特征提取網(wǎng)絡(luò)有了明顯的提升，同時加入了8倍的下采樣，便于采集中小型目標(biāo)的特征，使用h-swish函數(shù)作為激活函數(shù)有利于保留更多的特征信息，提高了檢測精度。本文算法作為輕型網(wǎng)絡(luò)，在mAP值較YOLOv3上較YOLOv3這樣的大型網(wǎng)絡(luò)下降了1.33%，但在檢測速度上提高了167.7 f/s。同時相較YOLOv3在檢測過程中參數(shù)多、泛化能力弱的缺點(diǎn)有了長足的進(jìn)步。

表3 不同算法性能對比表Tab.3 Performance comparison of different algorithms

續(xù) 表

圖9 各種算法的檢測效果圖Fig.9 Detection effect chart of various algorithms

圖9為本文算法與YOLOv3、YOLOv3-tiny、YOLOv2-tiny對交通標(biāo)志的檢測效果對比圖。其中圖(a)、(b)、(c)、(d)中，本文算法、YOLOv3、和YOLOv3-tiny均可有效對交通標(biāo)志進(jìn)行檢測，但YOLOv2因?yàn)闆]有采用多尺度檢測，所以檢測精度最差，對部分交通標(biāo)志沒有辦法進(jìn)行識別。圖(e)、(f)、(g)、(h)中，面對交通標(biāo)志褪色的現(xiàn)象，本文算法、YOLOv3均可正確識別交通標(biāo)志，但YOLOv3-tiny因?yàn)橹挥袃蓚€層次的檢測，沒有進(jìn)行小目標(biāo)的融合，因此沒有辦法很好地識別交通標(biāo)志，YOLOv2-tiny除了沒有辦法識別交通標(biāo)志外還出現(xiàn)了明顯的預(yù)測位置偏移。圖(h)、(i)、(j)、(k)中當(dāng)面對天氣變暗的條件下，本文算法、YOLOv3和YOLOv3-tiny均能準(zhǔn)確識別交通標(biāo)志，YOLOv2-tiny并不能準(zhǔn)確檢測。

5 結(jié) 論

本文根據(jù)目前針對交通標(biāo)志識別的算法難以兼顧檢測速度和檢測精度的問題，提出了一種基于深度可分離卷積的輕量級交通標(biāo)志識別網(wǎng)絡(luò)。分析了目標(biāo)識別算法的發(fā)展過程，對YOLO系列算法和深度可分離卷積思想進(jìn)行了介紹。使用深度可分離卷積搭建了特征提取網(wǎng)絡(luò)代替YOLOv3-tiny的特征提取網(wǎng)絡(luò)，同時為更好地識別中小目標(biāo)，增加了8倍下采樣的尺度融合，在搭建網(wǎng)絡(luò)過程中使用h-swish激活函數(shù)代替ReLU激活函數(shù)，保留了更多的特征信息。實(shí)驗(yàn)結(jié)果表明，本文提出的算法相較于YOLOv3-tiny有了較大的提升，交通標(biāo)志的識別平均精度由83.53%提高到了97.54%，檢測速度達(dá)到了201.5 f/s，同時相較YOLO系列網(wǎng)絡(luò)具有更好的泛化能力，有效滿足了自動駕駛中對于交通標(biāo)志檢測準(zhǔn)確性和時效性的需求。