详情

原文传递基于改进YOLOv3的小目标道路交通标志检测识别与跟踪

论文题名：	基于改进YOLOv3的小目标道路交通标志检测识别与跟踪
关键词：	目标检测;YOLOv3;多目标跟踪;无人驾驶汽车
摘要：	精准高效的道路交通标志检测是保证无人驾驶汽车安全稳定的重要决策依据。但是，在道路情况复杂且多变的情况下，交通标志极易被遮挡，并且受到天气、灯光等外界环境因素影响造成光照不均、模糊等一系列问题。此外，无人驾驶汽车车载设备采集到的视频中的道路交通标志在可视范围内较小，如何快速、准确地检测并识别交通标志也逐渐成为无人驾驶任务的难点之一，而且，道路交通标志种类繁多，在不同地区各类交通标志出现频次不同，分布极不均衡，同时丰富的种类和具有相似外观的特点也进一步加大了道路交通标志检测的难度。因此，在实际场景中道路交通标志检测的研究具有重要的意义。　　针对道路交通标志目标小、各类标志出现频次分布不均衡、以及在实际应用中难以平衡检测精度和实时性等问题，本文以我国128类主要的交通标志检测为例，提出了一种改进的YOLOv3(YouOnlyLookOnce)架构，并集成多目标跟踪算法Deep-Sort(Deepsimpleonlineandreal-timetracking)，在数据集样本分布严重不均衡的情况下实现小目标、多分类、高精度与高实时性的道路交通标志检测和跟踪。本文完成的主要研究工作如下：　　1）数据集增广。针对原数据集中存在的不同种类的交通标志出现频次不均衡以及其带来的检测模型欠拟合的问题：首先，对原数据集TT100K中的交通标志种类进行进一步细分，将原数据集包含的128类交通标志拓展到152类，然后，使用包括噪声，模糊，雨雪天气破坏和像素破坏在内的15种图像增强方法对数据集中出现频次较低的不常见交通标志进行增广，将原数据集6105张图像增加至13238张，包含超过20000个交通标志，增加了低频交通标志在数据集中的比例，提高样本分布的均衡性，克服由于部分样本严重不足导致的欠拟合现象，进而提高整体的检测精度。　　2）YOLOv3网络模型改进。为了解决由于道路交通标志过小而造成的检测困难，本文对原YOLOv3的模型结构进行了改进，使其更加契合以小目标检测为主的检测要求。具体的方法是删除原网络中32倍下采样的输出支路，添加4倍下采样的输出支路并连接到原始的网络，在提高模型对小目标的检测精度的同时保证大中型目标的检测精度，同时较好地降低了计算代价，取得了91%的准确率，90%的召回率和84.76%的mAP(meanaverageprecision)值。然后，再和其他多种先进的交通标志检测方法(如Overfeat和另一种改进的YOLOv3模型MSA_YOLOv3)对比，进一步验证本文所提出方法的有效性和先进性。　　3）YOLOv3网络结构剪枝。为了在确保模型检测精度的情况下获得较高的检测实时性，本文对所提出的方法进行了进一步的剪枝操作，通过衡量各个参数的重要程度，删除那些重要程度得分较低的网络层，精简模型结构，降低模型复杂程度，提高检测速度，改善模型的实时性能。并通过与Tiny-YOLOv3及深度可分离卷积方法对比，从模型大小，检测速度和检测精度三个方面分析，验证本文所采用剪枝方法的有效性。　　4）多目标跟踪算法与改进的YOLOv3的集成。由于真实交通环境中光照和天气因素的干扰，以及在视频检测中车载摄像机存在的运动模糊、颠簸，导致漏检和误检，威胁无人驾驶汽车的安全。针对此类问题，本文提出了一种结合改进YOLOv3和Deep-Sort的检测与跟踪方法,采用Mahalanobis距离，最小余弦距离和其他指标将视频每一帧中的各种目标相关联，解决了原YOLOv3检测方法跟踪能力不足的问题。在稳定实际视频检测框的同时，有效地降低了视频检测的误检率和漏检率，提高了整体检测算法的抗干扰性能。　　通过本文的对比实验表明：（1）适当的样本均衡处理，可以提高模型的总体检测精度；（2）通过改进YOLOv3的结构，可以在确保不同大小目标检测精度的前提下，改善视觉检测的实时性；（3）Deep-Sort算法集成到改进的YOLOv3模型，提高了YOLOv3的跟踪能力和实时视觉跟踪的抗干扰能力。本文的研究成果为真实场景条件下无人驾驶汽车的自动驾驶系统提供了一种技术参考，在无人道路巡逻，自动驾驶出租等多种自动驾驶应用方面有着广阔的前景。
作者：	李原超
专业：	控制科学与工程
导师：	宋绍剑
授予学位：	硕士
授予学位单位：	广西大学
学位年度：	2021