详情

原文传递基于深度学习的交通指挥手势识别算法研究与应用

论文题名：	基于深度学习的交通指挥手势识别算法研究与应用
关键词：	交通指挥手势识别;目标检测;空间骨架特征;时序特征;GRU-LSTM算法;深度学习
摘要：	随着人工智能技术不断的革新突破，无人驾驶技术和辅助驾驶技术逐渐成为智能交通领域未来发展的主流趋势。由于我国城市现代化进程的加快，交通拥堵现象频频发生，仅依靠交通信号灯、交通标志牌等固定信号难以满足交通调度的需求，还需对复杂交通场景中的交通指挥手势做出灵活的判断和相应的回应。因此，为维护交通系统的安全性和有效性，保障车辆安全行驶，对无人驾驶和辅助驾驶系统进行高效精准的交通指挥手势识别算法的研究具有至关重要的意义。基于此，本文针对目前交通指挥手势识别存在的局限性，采用深度学习的方法对交通指挥手势进行分类识别研究，研究内容如下：　　（1）针对复杂交通场景中交通警察目标检测与定位准确率低的问题，提出一种优化YOLOv4模型的交通警察目标检测方法。首先，采用4种随机转换方式对自建的交通警察数据集进行扩充，解决了模型过拟合问题并提高了模型的泛化能力；其次，将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构，有效地减少了参数总量并加深了网络层数；然后，使用K-means++聚类算法对自建数据集进行聚类分析以重新定义网络的初始候选框，提高了交通警察目标深度特征的学习效率；最后，引入焦点损失函数以优化分类损失函数，解决了训练中正负样本数量不平衡问题。优化后的YOLOv4与FasterR-CNN、YOLOv3、原始YOLOv4模型相比均有提升。　　（2）针对复杂动态背景下交通指挥手势空间骨架特征提取难的问题，提出了一种基于Alphapose模型的空间骨架特征提取优化算法。首先，将目标检测器YOLOv3替换为优化YOLOv4，提升了目标检测网络的检测速度；其次，采用时域加权均值和霍尔特指数平滑法进行骨架信息预处理，解决了关键点缺失的问题；最后在SPPE模块中将堆叠沙漏网络残差模块中的普通卷积替换成Ghost模块，使得整个网络轻量化。优化后的Alphapose与原始Alphapose相比，检测精度和速度均有提升。　　（3）针对复杂交通场景下交通指挥手势识别率低等问题，提出了一种基于GRU-LSTM融合的交通指挥手势识别模型。首先，采用单层GRU和单层LSTM叠加的方式对交通警察的空间骨架特征进行时序建模；其次，借助全连接层将交通指挥手势时序特征进行分类识别；最后，在每层后分别引入dropout正则化方法，进一步提高了模型的拟合能力。研究结果表明，所提出的GRU-LSTM融合模型在识别精度和速度上要优于单一的LSTM和GRU网络模型，在8种标准的指挥手势和4种非标准的指挥手势中均取得了较高的识别准确率。　　（4）在本文研究成果的基础上，结合实际应用需求，设计并实现了基于PyQt5框架的交通指挥手势识别系统。整个系统集成了目标检测、空间特征提取和手势识别三个基本功能，实现了交通指挥手势分类识别，同时验证了本文算法的优越性。
作者：	李妮妮
专业：	交通运输工程
导师：	王夏黎
授予学位：	硕士
授予学位单位：	长安大学
学位年度：	2022