基于Faster R-CNN的交通警察目标检测研究

针对自动驾驶技术的高速发展与日渐复杂的交通系统网络缺少能够准确检测与定位交通警察的方法,将基于深度学习对在复杂环境中交通警察的准确检测与定位进行研究,该研究一方面对于有效保障交通警察的人身安全和提高通行效率具有积极的促进作用,另一方面为后续的交通警察手势的识别提供重要的检测基础.但是在实际的应用当中交通警察一般处于复杂的场景当中,比如干扰人群、强光环境、复杂的天气,都会对交通警察的准确检测与定位造成影响.因此,该文首先通过对交通警察图像去噪和Gamma曲线校正的预处理方式来增强图像中的关键特征信息并排除噪声对图像的影响,然后分别对基于SSD网络模型的方法、基于HOG特征提取和SVM分类的方法、基于Faster R-CNN网络模型的方法进行实验,然后对三种方法进行对比,得出了基于Faster R-CNN网络模型的检测速度为61.523 ms,检测准确率为98.75％,均高于其他两种方法.