管淑贤，葛万成

（同济大学，上海 200092）

0 引言

近年来，关于自动驾驶的研究正在如火如荼的开展中。自动驾驶意在减少人力劳动，增加车辆驾驶的安全性和可靠性。传统的自动驾驶决策算法需要人类设定许多繁复的规则，系统效率低，而基于深度学习的自动驾驶是让汽车通过与环境交互便可以做出正确的判断与决策[1]，具有巨大的优势。其中，用来获取自动驾驶汽车视野中信息的是系统中的视觉感知模块，可以通过摄像机获取丰富的图像信息，对行车视野中出现的目标进行识别[2]。

对目标进行识别是后期对目标进行定位、检测以及分割的基础。通过查阅相关资料尚未看到对减速带这一场景的研究，甚至没有找到关于减速带的公开数据集。本文研究自动驾驶中的减速带分类，使得车辆在即将遇到减速带时正确识别并及时减速。

本文基于ResNet18 训练出一个网络，可以获得较好的减速带识别准确率，并比较了不同的光照、雨雪量等影响下的识别准确率。可以看出，ResNet18 在训练不太大数据集时具备优越性，以及利用OpenCV 合成不同的模拟现实环境能够影响减速带识别的准确率，为自动驾驶技术的进一步发展奠定了基础。

1 减速带分类系统层次化框架结构

卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉和自动驾驶等领域受到了广泛应用。传统的前馈神经网络只有全连接层，而卷积神经网络主要采用卷积层和池化层作为其核心层，因而相较传统神经网络其在特征提取和泛化方面能力更强，也具备更好的识别和预测性能[3]。……