详情

原文传递基于深度学习的交通标志识别

论文题名：	基于深度学习的交通标志识别
关键词：	交通标志识别;深度学习;YOLOv4-tiny网络;卷积神经网络
摘要：	交通标志识别是智能交通系统的重要组成部分，在实际应用中，道路环境的复杂性使得交通标志识别系统必须具备高准确性与高实时性，但至今为止，绝大多数交通标志识别系统难以同时满足准确性和实时性要求，有些只能在特定条件下达到较好效果。针对这一问题，本文以深度学习为研究方法，将交通标志识别分为检测与分类两个环节，设计了一种能同时满足实际应用所需的准确性与实时性的交通标志识别系统，主要研究工作如下：　　在交通标志检测环节，提出了一种改进的YOLOv4-tiny目标检测方法。针对检测实时性问题，使用了残差网络的残差模块（ResBlock-D）对YOLOv4-tiny网络中的后融合模块（CSPBlock）进行替换，这种方式可以简化网络结构，减少目标检测用时。针对检测准确度问题，在辅助网络中加入了通道注意模块和空间注意模块，并且运用级联运算的方式对目标的全局特征进行了提取，保证了检测的准确性。改进后的网络F1分数达到了0.78，检测所耗时长为17ms，相较于YOLOv4-tiny网络，准确率提高了4%，速度提高了19.3%。　　在交通标志分类环节，针对分类准确性问题，在传统卷积神经网络中添加了颜色变换模块以及空间变换模块，颜色变换模块可以将输入图像转换至适合的颜色空间，使得网络能够在光照不足、交通标志褪色等情况下，对交通标志进行准确识别，空间变换模块可以对输入图像进行空间变换，使得网络能够快速且准确地找到输入图像中目标区域。同时，本文将极限学习机分类器用于分类输出，替代了原有的全连接层，提升了网络的泛化能力，改进后的网络在分类任务中准确率可达99.61%，识别所耗时长为86ms，与对比实验组中的准确率最高的HLSGD网络在准确率上基本持平，但速度相对提高了61.7%。同时，在网络的训练与测试的环节，对我国现有的清华-腾讯交通标志数据集（TT100K）进行了扩增。　　本文在交通标志检测环节，对YOLOv4-tiny网络进行了改进，在交通标志分类环节，对传统的卷积神经网络进行了改进，与常用于交通标志检测的FastR-CNN、SSD、YOLO系网络以及交通标志分类环节常用的改进的卷积神经网络相比，本文所提出的网络在检测与分类环节中，准确性与实时性均有所提升。
作者：	施嘉琪
专业：	仪器仪表工程
导师：	顾国华
授予学位：	硕士
授予学位单位：	南京理工大学
学位年度：	2021