| 從2001年起，我們就一直積極從事先進駕駛
輔助系統 (ADAS) 之視覺偵測與辨識技術的實務研
究。在這些研究中，我們碰到一些偵測率一直無
法改善的問題；例如，不良天候的前車偵測、行
人偵測的穩定度與可靠度、倒車障礙物的偵測、
自動跟隨追蹤的穩定度、.. 等。因此才促成我們想
以卷積神經網路 (CNN) 來解決先進駕駛輔助系統
中的偵測與辨識問題。
本研究的目標有：i.以卷積神經網路擷取特徵，
提高前車偵測率，並減少誤判率。ii.將過去需要白
天、夜晚各別偵測的傳統系統合而為一，只要一
個卷積神經網路就可以完成所有天候下的車輛偵
測。iii.縮小卷積神經網路的規模，以利車輛上的
應用。iv.強化偵測及框選目標物的準確度，以提
高前車距離估計的準確度。在本研究中，我們改
進更快速區域卷積神經網路 (Faster R-CNN)，以
SqueezeNet 架構取代龐大的 VGG16 網路，以達到
減少網路規模及增進速度的效果。再將更快速區
域卷積神經網路中原本的 ROI 池化層 (ROIPool) 以
ROI 校準層 (ROIAlign) 取代，以改善偵測框的準確
度。在實驗中，我們以 697 張 640×480 影像，
2,297 輛車訓練卷積神經網路，影像環境包括各種
天候 (白天、夜晚、晨曦、向陽、斜陽、黃昏、雨
天、薄霧、濃霧、陰天)；平均執行速度為 30 fps，
約為 Faster R-CNN 之 14 fps 的 2.14 倍。車輛偵測
的 mAP 可達 0.907與 Faster R-CNN 一樣；參數量大
小為 7.7 M，約為 Faster R-CNN 之 136.73 M 的
5.63% 而已。使用 ROI 校準層，偵測框準確度可達
90.4%，比 ROI 池化層的 79.25%，提高了約10%。 |
