原文传递
基于深度学习的复杂环境下交通信号灯检测算法研究
| 论文题名： | 基于深度学习的复杂环境下交通信号灯检测算法研究 |
| 关键词： | 交通信号灯;检测算法;深度学习;复杂环境;图像特征 |
| 摘要： | 伴随着我国经济高速发展，汽车保有量不断提升。但伴随而来的是交通安全事故频发，并且因交通事故导致人员伤亡逐年上升。面对日益复杂的道路交通情况，基于计算机视觉技术的车辆辅助驾驶、危险预警、行人检测、并线检测等技术应运而生。交通信号灯识别作为车辆辅助驾驶与车辆危险预警中的一个重要环节，更是当今研究的重点与热点。交通信号灯的识别是计算机视觉技术中目标检测与识别领域的一个典型垂直应用场景，它不仅包含了目标检测与识别，也对性能有着极高的要求。 传统的目标检测分为两个步骤，首先确定可能存在目标的候选框，再对候选框进行目标识别与分类。对候选框的选取一般采用窗口滑动的方法，存在以下不足之处:一是产生的候选框数量巨大，导致检测时间相对过长。二是固定的候选框尺寸，无法带入准确的目标背景信息。三是传统的特征提取需要设计特征模型，手工设计的模型容易造成特征单一，并且运算十分复杂，在实际应用中很难获得理想的效果。 近年来，基于深度学习的端到端的特征提取方法的提出，给交通信号灯的检测提供了一个全新的思路。深度学习中的卷积神经网络凭借着优异的特征泛化能力与降维的特点，被广泛应用在目标检测中。但在小目标检测及识别中还存在巨大挑战，尤其是在交通信号灯检测识别任务中，存在大量因拍摄距离产生的尺寸大小问题，同时，像汽车尾灯这样的自发光光源也会对检测造成影响。 本课题通过对交通信号灯检测与识别的特殊任务场景进行分析，发现以往研究中，都忽略了交通信号灯的背景信息对其检测召回率与识别准确率的影响。因此从目标的上下文信息入手，展开更深入的研究。通过对现有算法中误检测结果的分析，本课题又得出了在目标检测中，选取不同的上下文尺寸与其检测结果的相关性联系。结合交通信号灯的实际尺寸问题，本课题提出了通过引入三种不同上下文尺寸的信息的方法，来辅助进行交通信号灯的检测与识别，以提升其准确率与召回率。该方法对交通信号灯检测与识别的准确率与召回率虽有显著提升，但仍有冗余信息过大、定位过于死板等缺点，本课题针对这些缺点，进而提出一种基于图像特征的上下文尺寸计算模型，有效解决了检测重复率过高与定位死板问题，且相较于固定尺寸的上下文，召回率与准确率均有显著提升。 |
| 作者： | 李昊 |
| 专业： | 信息与通信工程 |
| 导师： | 齐林 |
| 授予学位： | 硕士 |
| 授予学位单位： | 郑州大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
