详情

原文传递基于深度学习的不良天气状况下交通标志识别算法研究

论文题名：	基于深度学习的不良天气状况下交通标志识别算法研究
关键词：	交通标志检测;K-medoids算法;深度可分离卷积;多尺度特征融合
摘要：	在智慧交通和无人驾驶领域，通过驾驶车辆周围摄像头进行环境感知，对交通标志进行识别，车辆及时针对识别结果做出反应。然而传统的目标检测算法在不良天气状况下对交通标志进行检测与识别过程中，需要采用人工设计特征来获得目标候选区，检测过程运算数据量大，很难满足车辆行驶中识别的高准确率和实时性要求。　　本文在研究国内外交通标志检测与识别技术的基础上，提出了一种不良天气状况下基于YOLOv4网络的交通标志检测与识别方法。使用图像翻转和随机旋转的方式对长沙理工大学中国交通标志数据集(CCTSDB)进行数据扩充，以此平衡不同类别中的样本数量差异。使用imgaug库对数据集进行图像增强，模拟生成大雾天气、雨雪天气、强光天气、暗光天气四种不良天气状况下的样本数据。改进的YOLOv4网络能够正确标注边界框位置信息，让模型检测速度得到明显提升，并且提升不良天气状况下远处小型交通标志的识别准确率，降低无关背景干扰。本文主要研究工作如下：　　1.针对不良天气状况下交通标志识别过程中边界框位置标注不准确问题，提出使用改进的K-medoids算法对CCTSDB数据集中的交通标志目标重新聚类，得到9个新的先验框替换原始YOLOv4算法中使用K-means算法聚类得到的9个先验框，使预设定的边界框更符合交通标志尺寸大小，提高boundingbox值的检出率。　　2.针对不良天气状况下交通标志识别速度低的问题，提出用深度可分离卷积替换YOLOv4原始主干特征提取网络中的标准卷积，减少网络参数计算工作量，降低计算成本以此达到提高网络检测速度的目的。将传统卷积运算过程拆分为两个不同过程，首先根据通道数将特征图划分成对应数量的单通道特征图，分别对这些特征图进行卷积。其次对这些特征图使用1×1的卷积核再次进行卷积运算完成特征的进一步提取。　　3.针对不良天气状况下对远处小型交通标志目标识别准确率低的问题，设计出一种改进的多尺度特征融合方式，将尺寸为26×26的特征层通过上采样将原始尺寸扩大至原来的4倍，即尺寸变为104×104。使得特征层具有更小的感受野，更适合检测不良天气状况下远处小型交通标志。　　4.针对不良天气状况下存在与远处小型交通标志形状大小相似的背景干扰问题，提升网络区分正确的语义信息能力。在13×13,26×26,104×104三个特征层后引入CBAM注意力机制模块，增强交通标志的上下文交互信息，降低无关信息对检测的干扰。　　5.根据上述研究成果设计出交通标志实况检测系统，在该系统中上传包含交通标志的图片或视频数据，系统能够实时定位出交通标志的位置信息，并显示出交通标志类别的置信度，提高对交通标志检测的效率。
作者：	龚宇
专业：	安全工程
导师：	彭军;刘琦
授予学位：	硕士
授予学位单位：	重庆科技学院
学位年度：	2022