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： | 交通标志检测;卷积神经网络;深度学习;YOLOv3算法 |
| 摘要： | 交通标志作为道路安全的辅助设施，在人们的日常生活中随处可见，在指引车辆导向、缓解交通压力和减少交通事故等方面发挥着非常重要的作用。而且在无人驾驶和高级辅助驾驶系统的研究中，交通标志的检测与识别一直以来都是极为重要的一环。随着有关深度学习的研究不断取得新的突破，越来越多的学者将卷积神经网络应用于交通标志检测领域，且针对良好环境下的交通标志数据集都取得了不错的检测效果。然而，复杂的天气环境、较快的车速以及繁琐的类别，都进一步增加了交通标志检测与识别的难度。此外受硬件资源的限制，导致目前主流的目标检测算法难以实时地检测交通标志。为解决以上问题，以检测精度和速度较为均衡的YOLOv3算法为基础，针对训练策略和模型结构两方面进行改进，进一步提升对真实环境下交通标志检测的性能。主要研究内容如下： (1)为了提高YOLOv3算法模型检测的精度，提出两种改进的训练策略：改进K-means++聚类算法生成锚点框，其中使用GIoU衡量样本中边界框的距离，使生成的锚点框更符合样本中的实际框；改进Soft-NMS算法筛选预测框，提出一种新型的加权函数抑制重合度高的预测框的得分，改善因目标重叠导致的漏检问题。实验结果表明，采用改进策略的YOLOv3算法在TT100K数据集识别精度均值达82.3%，相比于原算法提升了1.12个百分点。 (2)针对YOLOv3算法检测实时性不够好、小目标检测效果差和边界框定位不够准确的问题，提出一种基于DPPC-YOLO的交通标志检测算法。该算法利用深度可分离卷积减少特征提取网络的参数，引入金字塔池化模块和路径聚合网络优化小目标预测结构，同时采用完备交并损失函数提高预测框定位精度，有效提升了算法检测的准确率和实时性。实验结果表明，DPPC-YOLO算法识别精度均值达89.73%，检测速度达11.8FPS，模型容量为49.5MB，相比于其它目标检测算法，能够精准而快速地对各类交通标志识别。 |
| 作者： | 周涛 |
| 专业： | 电子与通信工程 |
| 导师： | 刘超 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
