算法类学习笔记 ———— 红绿灯检测

介绍

 红绿灯检测就是获取红绿灯在图像中的坐标以及它的类别。按照交通法规定：如果检测到红灯，则需要在路口等待；若检测到绿灯，则可以通过路口；如果检测到黄灯，黄灯亮时已经越过停止线的车辆可以继续通过，还未越过停止线的车辆应停车。因此，能否准确检测到红绿灯状态决定着无人驾驶汽车的安全。之前对于红绿灯的检测，大多利用颜色形状等低级特征去做，例如在颜色上使用一个阈值进行背景抑制；或者根据颜色特征进行候选框的提取，再对候选框进行分类。这类方法的准确率无法满足要求，因此迫切需要新的技术方案来解决此问题。
 现在常用的目标检测的方法都是基于Faster CNN、YOLO和SSD，这些方法在提取小目标上不理想。红绿灯这类目标在图片中所占的像素较少，对于标准的卷积神经网络（VGG、ResNet、DenseNet等）来说，输出的特征一般只有图片大小的1/32。由于红绿灯像素少，细节信息丢失严重，这就增加了小目标的检测难度。如果删除特征提取网络的层数或者采样层，会导致感受野缩小，衰弱特征的语义信息，反而更影响检测效果。另外，Faster CNN和SSD这种基于候选窗口的检测算法来说，为了达到检测小目标的目的，需要增加候选窗口的数量，这会拖慢检测速度，并且增加了前背景框的分类难度。
 提升小目标检测效果的最有效方法是扩大图像大小，随之而来的问题就是计算量增加，感受野的不足影响大目标的检测效果。目前针对小目标检测算法的改进，主要从提取特征网络入手，让提取的特征更加适合小目标的检测，大致有几种方法：

1. 图像金字塔：较早提出对训练图片上采样出多尺度的图像金字塔。通过上采样能够加强小目标的细粒度特征，理论上可以优化小目标的定位和识别效果。但是基于图像金字塔训练卷积神经网络模型对计算能力和内存有着严苛的要求，目前的发展情况来讲，实际使用较少。
2. 逐层预测：对于卷积升级网络的每层特征图输出进行一次预测，最后综合考量得出结果。这种方法会利用浅层特征去做预测，而浅层特征没有充分的语义信息，也没有较大的感受野，所以效果对于前面的特征层来说，并不会因为特征图的变大而变好。该方法对硬件的依赖也是很高的。
3. 特征金字塔：参考多尺度特征图的特