摘要
交通标志检测是自动驾驶任务中的重要一环，也是当前的研究热点之一。然而，现有的交通标志检测算法仍然存在一些问题，比如计算量大，检测速度较慢；训练流程复杂；对交通标志的细粒度分类能力较差等。本文充分调研了交通标志检测领域的数据集和算法，根据交通标志数据集的特点和计算机视觉相关领域中各算法的解决思路，对交通标志检测任务中存在的问题和难点展开了研究，本文主要的工作内容和创新点总结如下： 1）现有的交通标志检测算法存在算法检测速度慢和训练流程复杂的问题。针对该问题，本文改进了扩展特征金字塔网络，采用自适应学习特征融合权重系数的方式来合成扩展特征层，并通过特征增强模块过滤高层特征的噪声信息，相比原有的特征纹理传输网络，参数量大大减少，算法的推理速度从1.7帧每秒提升到3.3帧每秒，并且不依赖于现有算法分阶段的训练方式，简化了训练流程。 2）现有算法对于交通标志的细粒度分类能力不足，本文提出了基于局部特征选择的双路径网络，通过引入判别性较强的局部特征，并根据特征对分类的重要性进行增强或抑制，有效地改善了算法对交通标志的细粒度分类能力。 3）本文提出的算法在多个数据集上进行了大量的实验，相比基准方案均提升了将近一倍的算法检测速度，同时也取得了较高的检测精度。特别地，在清华-腾讯100K交通标志数据集上达到了94.49%的精度，高于现有的算法。 4）设计了一个以本文算法为核心，基于客户端/服务端架构的交通标志检测系统，具有跨平台的交通标志检测和扩充交通标志数据集的功能，并通过测试验证了系统的可用性。
NETL