地标作为智能驾驶环境感知以及认知地图语义层的重要组成部分,不仅可以提供必要的交通信息,还可用于辅助定位与规划、控制与决策,参与分析给出相应的定位结果与决策方案以控制智能车辆进行正确的操作。因此,对地标感知这一任务展开研究具有重要的理论与现实意义。为了高效地识别出地标信息,本文基于摄像头对驾驶环境采集到的视觉信息,针对交通标志牌、建筑物、路灯等显著地面标志物进行感知算法研究,基于深度学习算法进行相关的实验与分析。主要工作内容如下:1、针对真实驾驶场景下的地标分布特点以及目标尺寸变化等问题,本文利用卷积神经网络提出了基于超特征金字塔的地标感知算法。通过对深层特征与浅层特征的有机组合,基于特征金字塔结构提出计算更加友好的超特征金字塔结构,融合不同尺度的特征信息以生成更有代表性、多层次的多尺度特征。此外,本文还设计了一种新型特征提取网络并将超特征金字塔结构集成其中,使用地标综合数据集进行训练与测试。实验结果表明,本文设计的网络模型取得了81.79%的mAP@0.5,同比学术界与工业界使用最广泛的目标识别网络YOLOv3上升了6.2%,且模型更小。2、针对复杂的深度模型对实际智能驾驶场景硬件有较高的要求,本文对上述地标感知模型提出基于注意力机制的轻量化算法。算法借助于注意力机制原理,自适应地获取每个特征通道上的重要性。通过特征图通道层的重要程度,剪枝掉上一层对应的滤波器以及下一层对应的滤波器卷积核层。实验表明,算法对地标感知网络进行剪枝之后,模型减小了约75%,而mAP@0.5与原始模型相当,仍能达到81.4%,有效地删去了冗余参数。为验证上述感知算法网络的泛化能力,本文基于智能车驾驶平台进行认知地图中的实车试验,介绍了平台的硬件、软件情况,在校园驾驶场景下完成性能测试实验。实验结果验证了本文轻量化地标感知算法的鲁棒性。