基于改進的AlexNet的無人駕駛研究

【關(guān)鍵詞】無人駕駛；AlexNet 算法；空間金字塔池化（SPP）；全局平均池化（GAP）； 圖像識別

引言

在過去十年中，深度學(xué)習(xí)技術(shù)的迅猛發(fā)展已經(jīng)在多個領(lǐng)域展現(xiàn)出其革命性的影響力。特別是在無人駕駛汽車的領(lǐng)域，深度神經(jīng)網(wǎng)絡(luò)技術(shù)已成為關(guān)鍵的推動力。這種技術(shù)的應(yīng)用不僅極大地提高了自動駕駛汽車的安全性和可靠性，也提供了一個探索人工智能與日常生活融合的獨特視角。深度神經(jīng)網(wǎng)絡(luò)在此過程中起到了不可替代的作用，它通過模擬人類大腦處理信息的方式，使得無人駕駛汽車能夠?qū)崟r、準確地識別路況和作出反應(yīng)。

然而，這種技術(shù)的高速發(fā)展也帶來了新的挑戰(zhàn)，特別是在確保其可靠性和安全性方面[1]。本文將深入探討深度神經(jīng)網(wǎng)絡(luò)在無人駕駛汽車領(lǐng)域的應(yīng)用，尤其重點關(guān)注如何通過改進傳統(tǒng)的AlexNet模型以提高其性能。本文將集中討論通過空間金字塔池化（SPP）和全局平均池化（GAP）對AlexNet進行優(yōu)化的方法，以及如何使用攝像頭數(shù)據(jù)驗證這些改進措施的有效性。

一、研究方法

（一）實驗設(shè)計

本研究采用了一種集成多攝像頭系統(tǒng)的無人駕駛車輛模型。在本研究中，無人駕駛車輛使用了四個高清攝像頭，分別定位于車輛的前、后、左、右四個方向，以實現(xiàn)360度的全方位視野。每個攝像頭均采用了先進的CMOS傳感器，在低光照條件下也能夠提供高分辨率的圖像。此外，車輛上還安裝了IMU（慣性測量單元）和GPS系統(tǒng)，以輔助定位和運動狀態(tài)的檢測，整體實驗步驟如圖1所示。

車輛的運動行為控制如圖2所示，實驗車輛使用樹莓派3b作為處理器，stm32f103單片機作為車輛運動的主控。實驗識別成功的標準是車輛在識別到三種道路特征后，執(zhí)行對應(yīng)的操作，如直行、轉(zhuǎn)彎或停止。

（二）數(shù)據(jù)收集

本研究以直車道、彎車道、人行道等三種道路的基本元素為對象，數(shù)據(jù)通過Python爬蟲算法爬取Google圖片里的相關(guān)關(guān)鍵字，每一類選取500張，共1500張構(gòu)成數(shù)據(jù)集。按總量的80%、10%、10%的比例劃分出1200張訓(xùn)練集、150張測試集、150張驗證集，如圖3所示。

（三）預(yù)處理

（a）去噪：使用高斯濾波器減少圖像中的隨機噪聲。

數(shù)學(xué)表達式為：

式中：σ 是標準差，控制濾波器的寬度。

（b）對比度調(diào)整：采用直方圖均衡化增強圖像的對比度。這一步驟通過重新分配圖像的亮度，使得分布更加均勻。

（c）將所有圖像調(diào)整到統(tǒng)一的分辨率，以確保后續(xù)處理的一致性。

（四）算法設(shè)計及模型訓(xùn)練

本研究采用了AlexNet算法用于場景分類。在第三部分，將主要介紹嵌入了空間金字塔池化、全局平均池化的AlexNet-SG算法。筆者首先將預(yù)處理的圖像數(shù)據(jù)輸入到CNN模型。模型通過多個卷積層、池化層和全連接層自動提取和學(xué)習(xí)圖像中的特征。每個卷積層會應(yīng)用不同的卷積核，以檢測圖像中的不同特征，如邊緣、角點等[2]。經(jīng)過一系列層的處理后，最終的全連接層將提取到的特征用于物體識別和分類。

（五）實驗驗證

采用基于樹莓派作為主控的無人駕駛車輛模型，將上一部分訓(xùn)練的模型導(dǎo)入主控。實驗?zāi)M真實情境，車輛在運動情況下識別三種道路的圖片，并反饋準確率，錯誤率等參數(shù)，實驗驗證和評估改進的AlexNet-SG算法在提高無人駕駛車輛在復(fù)雜城市環(huán)境中導(dǎo)航能力方面的有效性。

二、圖像處理算法及優(yōu)化

（一）AlexNet算法

AlexNet是一種開創(chuàng)性的卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，對推動深度學(xué)習(xí)領(lǐng)域的發(fā)展起到了重要作用，在2012年的ImageNet大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）中取得了顯著的表現(xiàn)，證明了它在圖像分類任務(wù)中的有效性。AlexNet由8個權(quán)重層組成，包括5個卷積層和3個全連接層[3]，以及在第一，第二和第五個卷積層之后的三個最大池化層，如圖4[4]所示。

在AlexNet網(wǎng)絡(luò)架構(gòu)中，代替?zhèn)鹘y(tǒng)的Sigmoid激活函數(shù)，選用了ReLU函數(shù)。這種替換旨在解決梯度消失的問題，并提升了網(wǎng)絡(luò)學(xué)習(xí)的速率。在此之后，通過LRN（局部響應(yīng)歸一化），在ReLU激活函數(shù)后，為局部神經(jīng)元創(chuàng)造了一種競爭環(huán)境。這個過程有效地抑制了活性較低的神經(jīng)元，從而增強了模型的泛化能力[5]。Hinton于2012年在其AlexNet模型中展示了這一點，并提供了相應(yīng)的計算公式[6]：

式中：a為卷積層后的輸出結(jié)果，N 是通道數(shù)，n為相鄰的卷積核，k是偏差，α和β是自定義的值。

（二）空間金字塔池化

空間金字塔池化（SPP）是一種在深度學(xué)習(xí)中用于處理不同尺寸輸入圖像的技術(shù)。SPP模型的功能是它可以將不同尺度的特征進行融合，這樣能夠?qū)⑷我獯笮〉奶卣鲌D（feature map）轉(zhuǎn)換成固定大小的特征向量，并輸入到全連接層。這種方法通過在卷積層后應(yīng)用一系列固定大小的池化操作，將不同尺寸的圖像轉(zhuǎn)換為統(tǒng)一維度的特征表示[7]。這樣，網(wǎng)絡(luò)就能夠處理任意尺度的圖像，同時避免了圖像變形或信息損失，從而提高了模型的識別精度和泛化能力，增強了圖像分類和目標檢測的性能。

如圖5[8]所示，卷積層的特征圖輸出之后會輸入到SPP模塊，能輸出總計（16+4+1）×256個特征，其中16+4+1代表空間單元的數(shù)量，256代表卷積核的數(shù)量。通過這種方式，可以獲得多尺度的特征向量。

（三）全局平均池化

將全連接層（FC層）替換為全局平均池化層，這樣做可以減少過擬合效應(yīng)，同時不影響最終圖像特征的表現(xiàn)。全局平均池化作為一種計算方法，其核心原理在于將卷積層產(chǎn)生的每個特征圖上的響應(yīng)平均化，以此生成代表性的特征值。這一過程有效減少了全連接層的參數(shù)數(shù)量，從而降低模型復(fù)雜度和過擬合的風險[9]。在應(yīng)用中，GAP作為網(wǎng)絡(luò)結(jié)構(gòu)的一部分，有助于提升模型對圖像識別任務(wù)的泛化能力，因為它強迫網(wǎng)絡(luò)關(guān)注于整個圖像，而不是圖像的局部特征。

假設(shè)最后一個卷積層輸出的4個4*4的特征圖，使用GAP如圖6（a）所示，先求每個特征圖均值，再輸入softmax有更好的效果。而使用傳統(tǒng)的FC，如圖6（b）所示，有參數(shù)過多、可能過擬合的問題[10]。

（四）整體結(jié)構(gòu)

算法采用經(jīng)過優(yōu)化的AlexNet-SG，將SPP，GAP嵌入經(jīng)典的AlexNet網(wǎng)絡(luò)，如圖7所示。

在最后一個卷積層后先應(yīng)用SPP，然后在接下來的全連接層之前應(yīng)用GAP。通過這種結(jié)合，SPP提供了多尺度的空間特征，而GAP則減少了模型參數(shù)并提高了泛化能力。這種組合可以有效提高AlexNet-SG在各種尺寸圖像上的性能，同時保持模型的簡潔性和效率?？傮w上，通過將SPP和GAP技術(shù)集成，可以在不犧牲模型準確性的情況下提高其靈活性和效率。

三、實驗結(jié)果

（一）網(wǎng)絡(luò)模型對比

首先采用筆者收集的數(shù)據(jù)集中的訓(xùn)練集和測試集對不同優(yōu)化的AlexNet模型進行測試，測試的內(nèi)容包括對比訓(xùn)練準確率和測試準確率，結(jié)果如表1所示。

表1 對比不同網(wǎng)絡(luò)模型的訓(xùn)練準確率和測試準確率

改進的AlexNet-SG本質(zhì)上是一個比LeNet更深更大的網(wǎng)絡(luò)結(jié)構(gòu)。這一點讓網(wǎng)絡(luò)能夠捕獲更復(fù)雜和細微的特征，從而提高識別準確率。改進的AlexNet-SG將LeNet的Sigmoid激活函數(shù)替換為ReLU激活函數(shù)。ReLU函數(shù)解決了梯度消失問題，加快了網(wǎng)絡(luò)的收斂速度，同時保持了稀疏激活的特性，提高了模型的泛化能力[11]。在模型壓縮和加速方面，改進的AlexNet-SG通過各種技術(shù)對模型進行優(yōu)化，提高了模型在移動端和嵌入式設(shè)備上的部署效率。這包括對CNN網(wǎng)絡(luò)結(jié)構(gòu)進行有效的模型壓縮與加速，使之適應(yīng)于資源受限的環(huán)境[12]。

（二）攝像頭實地測試結(jié)果

使用數(shù)據(jù)集之外的圖片，直車道、彎車道、人行道各500張，小車在運動情況下，由遠及近識別A4大小的三種圖片。

測試的內(nèi)容包括識別每類圖片的正確率，識別距離。正確率為500張圖片中攝像頭識別正確的數(shù)量與總數(shù)的比值，識別距離為500次識別中攝像頭識別到對象并返回結(jié)果的平均距離。測試結(jié)果如表2所示。

表2 對比不同場景的攝像頭實地測試結(jié)果

結(jié)論與展望

在本研究中，筆者成功地實現(xiàn)了對AlexNet的改進，通過引入空間金字塔池化（SPP）和全局平均池化（GAP），顯著提高了網(wǎng)絡(luò)在無人駕駛應(yīng)用中的表現(xiàn)。這些改進不僅增強了網(wǎng)絡(luò)處理不同尺寸圖像的能力，還提高了其在復(fù)雜交通環(huán)境下的準確性和效率。通過對AlexNet的改進，筆者證明了深度學(xué)習(xí)模型在處理動態(tài)和不確定環(huán)境下的有效性。實驗數(shù)據(jù)表明，在不同的場景下，AlexNet-SG與原始AlexNet模型相比均有明顯的性能提升。在目標檢測和環(huán)境識別等關(guān)鍵任務(wù)中，AlexNet-SG的準確率普遍高于原始模型。優(yōu)化后的模型在多車道、交叉路口等復(fù)雜場景中展現(xiàn)出了更高的準確率。這一結(jié)果表明，深度學(xué)習(xí)技術(shù)在自動駕駛等領(lǐng)域具有巨大的應(yīng)用潛力[13]。未來工作可以聚焦于進一步優(yōu)化網(wǎng)絡(luò)架構(gòu)，提高模型的泛化能力和在更加復(fù)雜環(huán)境中的穩(wěn)定性[14]。筆者發(fā)現(xiàn)人行道的識別度較低是因為算法難以分割圖片上的人行道和車道，導(dǎo)致識別錯誤，之后還需要研究更為準確的圖像分割算法[15]。本研究的成果可以應(yīng)用于多個領(lǐng)域，如無人航空器的導(dǎo)航系統(tǒng)和智能監(jiān)控系統(tǒng)，從而推動深度學(xué)習(xí)技術(shù)的廣泛應(yīng)用。