为了验证基于Faster R-CNN 的交通标志检测算法的有效性，实验采用的PC 端系统为Ubuntu16.04-64位，内存12G，GPU 为NVIDIA Geforce GTX 1060，显存为6G，CUDA 处理器核心数为1 280；本文采用基于Caffe 框架搭建Faster R-CNN 模型，编程语言为Python。以ZFNet 为基础模型，使用本文前面的训练方法训练Fast R-CNN 模型。针对锚点的选择，选用3 个面积尺度（128×128、256×256、512×512 像素）和3个（1 ∶1、1 ∶2、2 ∶1）不同的长宽比值。区域生成网络RPN 的cls 层的输出分数使用0.7 的阈值进行非极大值抑制，每幅交通标志图像保留约2 000 个感兴趣区域。前两个阶段以0.001 的学习率训练60 000 个minbatch，第3、4 阶段设置学习率为0.000 1 训练30 000个min-batch.momentum 设置为0.9，weight decay 设置为0.000 5，RPN 网络的最大迭代次数为80 000，Fast R-CNN 网络的最大迭代次数为40 000。交通标志检测效果如图5所示。
在检测效果上，本文提出的基于Faster R-CNN 的方法在GTSDB 数据集测试得到平均检测率为42.6%。图5 为部分测试样例的检测效果图，左上交通标志图像里面有两个目标，该方法以较快的速度准确的检测出来，红框表示的是标志的位置，蓝色的字体代表红框中物体是目标的置信度大小。其中也有一些漏检的情况，如图5 的右下图，图像中有3 个目标标志，但最后只检测出两个目标。然后有时可以检测到目标，但是置信度并不高，比如图5 的右下图。
虽然基于Faster R-CNN 网络的交通标志图像检测方法在检测时间上有很大的优势，高效的Faster RCNN 网络，在检测过程中使时间消耗尽可能短。该方法通过区域生成网络与快速卷积网络共享卷积层计算，使区域生成网络可以做到几乎没有计算代价，实现了一个统一的、接近实时的深度学习物体检测系统，但是在检测率方面还有待进一步提高。(www.xing528.com)
图5 交通标志图像检测效果图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
