原文传递
基于深度学习的交通标志检测算法研究
| 论文题名： | 基于深度学习的交通标志检测算法研究 |
| 关键词： | 智能车辆;交通标志检测;神经网络;深度学习;目标检测 |
| 摘要： | 交通标志的作用是向驾驶员提供准确的道路信息，保障道路的顺畅通行。交通标志检测是智能车辆辅助驾驶和自动驾驶的重要环节，因为交通标志的类别各不相同，并且在检测过程中可能会出现多目标重叠、遮挡等情况，所以如何精确、高效的检测交通标志是一个挑战。目标检测方法可以分为传统方法和基于深度学习的方法，传统方法先手工提取特征再进行模板匹配，存在着检测准确率低、实时性差等问题。基于深度学习的方法往往在有不错的检测精度的同时又有不错的检测效率，该类算法已经被广泛被应用到各类自动驾驶系统中去。 为此本文以国家重点研发计划子课题“自动驾驶电动汽车环境感知技术”项目为主要支撑，在已有的深度学习目标检测算法基础上，以提升算法的检测精度和检测速度为目标，展开交通标志目标检测算法研究，具体的研究工作如下： （1）在深入分析单阶段代表算法YOLOv3算法的基础上，本文提出了基于改进YOLOv3的交通标志检测算法。其基本思想是首先对特征融合模块进行重新设计，设计得到一种具有5个检测尺度的交通标志目标多尺度检测方法，提升了小目标的检测效果；其次利用改进的K-means++算法重新聚类锚点框，获得更好的预测结果；最后使用GIoU损失函数代替YOLOv3中原本的MSE损失函数，提升了定位精度。实验结果表明：本算法在保证实时性的情况下提升了检测精度。 （2）本研究为了进一步提升交通标志算法的检测精度，在深入分析双阶段代表算法FasterR-CNN算法的基础上做出了改进。首先构建特征金字塔获取更多的语意信息；其次使用ROIAlign技术避免了池化操作造成的精度损失；最后在主干网络中添加可变形卷积提升网络采样的灵活性。同时为了提升算法在检测推断时的速度，本研究进一步使用了TensorRT模型对算法进行了加速。实验结果表明：通过该方法，本算法相对于原始的FasterR-CNN在检测精度上大幅提高，同时经过TensorRT模型的推理加速，有效减少了算法的检测时间，满足了实时检测的要求。 本文训练基于YOLOv3和FasterR-CNN改进的交通标志检测模型，同时设计了检测算法的可视化操作界面，并在智能驾驶平台上进行改进算法的实车试验。源代码是python3.7和C++完成，模型训练以及测试的深度学习框架是Pytorch，操作系统为Ubuntu18.04，开发工具为Pycharm。实车试验表明改进后的算法均可以实现实际道路场景下的交通标志目标检测，工程应用价值很高。 |
| 作者： | 王宽 |
| 专业： | 车辆工程 |
| 导师： | 王海 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
