详情

原文传递基于深度学习的交通标志检测方法研究

论文题名：	基于深度学习的交通标志检测方法研究
关键词：	交通标志检测;注意力机制ECA模块;网络轻量化;通道剪枝;深度学习
摘要：	随着时代的快速发展，国民汽车拥有量出现井喷式增长，面对复杂多变的交通环境安全问题，越来越多的研究学者从事智能交通研究领域。其中交通标志检测作为智能交通领域必不可少的关键环节，为缓解城市道路拥堵和保障道路出行安全做出了积极贡献。其中，由于国内交通环境复杂多变，传统模型的抗干扰能力差，交通标志的目标尺寸太小等因素都会增加检测精度的难度；同时海量数据的运行速度在满足检测精度要求的情况下，实际应用中的检测速率就会表现欠佳。因此本文针对交通标志检测算法中存在的精确度和实时性的提优问题进行了深入研究。通过在CCTSDB数据集中进行实验，在YOLOv4基础模型上对其进行改进和轻量化处理后，实现对道路两旁的交通标志能够快速准确的进行检测。本文研究工作具体如下：　　为了提升检测交通标志的精度问题，将高效通道注意力机制ECA模块引入YOLOv4的主干网络中。针对检测数据存在的不均匀不充分等情况，对其进行增强操作处理，来使得目标数据类别更加均衡合理化，减少因数据处理不当导致结果偏差的问题。其次是先验框的选取对于图像处理和目标检测至关重要，因此将K-means++聚类算法应用于聚类分析出合适的先验框，同时使用交并比方式来计算提高检测精度效果。然后对损失函数使用梯度均衡机制来缓解算法训练过程中可能出现的样本不平衡不平均的问题。最重要的是改进YOLOv4的基础模型，在主干网络模型CSPDarknet53结构末尾添加通道注意力机制模块ECA，形成“CSPDarknet53+ECA”模型。高效通道注意力机制ECA通过不降维的方式来进行快通道的局部信息交互，以及自主适应性的选取一维的卷积核尺寸大小的方式来实现性能的提优处理，使得网络能够在更广阔的区域内聚焦到有效特征。实验结果显示，引入ECA模块的YOLOv4网络模型能够更好的检测到交通标志。　　为了提高检测交通标志的速度问题，将网络模型进行轻量化处理在保障检测精度的前提下达到提升检测速度的要求。针对模型轻量化的处理，主要是对主干和加强两部分特征提取网络进行改进优化处理。将改进后的CSPDarknet53+ECA模型（主干）改用为MobileNet-v3网络结构；将原本含有的普通卷积层剔除，添加深度可分离卷积层作为新的特征网络层，从而构成轻量化模型的特征提取网络。同时在YOLOv4模型的每个通道中添加缩放因子，与通道输入相乘后，进行稀疏化处理，然后挑选最小的缩放因子进行通道修剪，裁剪完成后将模型进行微调以此来提升部分精度，并经过网络性能的评估之后继续循环迭代修剪，从而得到轻量化的交通标志检测模型。通过轻量化处理后的模型都能够使其在检测精度波动很小的范围基础上，同时最大程度的缩减参数量以及模型体积，达到提升检测速率的目的。
作者：	张文丽
专业：	交通运输工程
导师：	徐丽
授予学位：	硕士
授予学位单位：	长安大学
学位年度：	2022