原文传递
基于深度学习的交通标志小目标检测与识别研究
| 论文题名： | 基于深度学习的交通标志小目标检测与识别研究 |
| 关键词： | 交通标志;小目标检测;深度学习 |
| 摘要： | 近年来得益于人工智能技术的飞速发展，作为其重要应用之一的智能交通系统（IntelligentTransportationSystem,ITS）已日趋成熟和完善，而道路交通标志识别系统（TrafficSignRecognition,TSR）是ITS的关键子系统，亦在人工智能中计算机视觉技术的推动下得到性能跨越式提升。但交通标志牌进入驾驶员视野起初一般为小目标，TSR对其的检测效果仍有一定的提升空间。实现交通标志小目标实时精准检测，可增加驾驶员的反应时间进而减少反应不及导致的交通事故，因此本研究主要进行交通标志小目标检测识别技术的改进，具体工作为： （1）基于清华和腾讯整理公布的TT-100K数据集进行中国交通标志小目标数据集的扩建，以弥补国内对质量高、规模大的交通标志小目标数据集的缺乏。针对TT-100K数据集存在的数据集类别分布不均衡，使用数据补充和结合交通标志特点改进的Mosaic、Cutmix数据增强进行均衡化，以真正提升交通标志小目标检测模型的泛化能力。最终得到的交通标志小目标数据集共有21702张样本图片，所含交通标志超过了58000个。设计实验并对比分析了均衡化处理有效性，35类交通标志的平均精度均值由86.49%提升到了88.12%，证明了所做数据集均衡化处理是有效的。 （2）基于YOLOv4目标检测识别算法进行针对交通标志小目标的检测算法模型改进。针对YOLOv4算法对交通标志小目标检测精度仍有提升空间，对其多尺度预测结构进行修改，检测尺度数由3扩为4使更多图像位置细节信息被网络利用获取；为减少细节信息丢失和增强语义特征信息，采用基于空洞卷积的ASPP特征提取模块替换SPP模块；对特征融合策略进行改进，加入自适应空间特征融合结构ASFF，以提升特征融合有效性；对锚点框尺寸采用k-means++聚类优化使检测精度进一步提升。设计实验对比分析改进前后的检测效果，35类交通标志平均精度均值由88.12%提升到92.93%。最后进行网络轻量化以提升检测速率，将CSPDarknet53替换为MoblieNetv3，设计实验验证有效性，以平均精度均值损失0.79%的较小代价换取了每秒检测帧数由18.8上升到27.1的大幅增长。这些测试结果证明了所做算法逐步改进是合理且有效的。 |
| 作者： | 张福东 |
| 专业： | 机械工程 |
| 导师： | 郑清春 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
