原文传递
基于深度学习的交通信号灯检测与识别方法研究
| 论文题名： | 基于深度学习的交通信号灯检测与识别方法研究 |
| 关键词： | 交通信号灯;深度学习;特征提取主干网络 |
| 摘要： | 交通信号灯的检测与识别是实现无人驾驶与辅助驾驶的关键技术，检测与识别的准确性、稳定性和时效性直接关乎智能驾驶的安全。在复杂多变的交通场景中，交通信号灯相较于其他目标尺寸偏小，在图像上表现为像素点较少的小尺度目标，且易受车尾灯、刹车灯、LED广告牌和路灯等因素的干扰，因此检测与识别难度大。基于颜色、形状、HOG、LBP、SIFT等特征先提取ROI区域再分类识别的传统检测方法都存在较大的局限性，近年来，深度学习在目标检测领域取得了突破性的进展，无论是检测速度还是识别精度都远远领先传统算法。本文基于深度学习对交通信号灯的检测与识别方法进行研究，并对其不足之处进行改进，主要工作如下： （1）基于交通信号灯数据集BoschSmallTrafficLightsDataset（BSTLD）对当前主流的目标检测算法FasterR-CNN，SSD，YOLOv3和YOLOv4进行对比实验，发现以上深度模型在检测小尺度交通信号灯时存在检测能力不足和鲁棒性差等问题，易出现漏检、误检以及定位不准现象。 （2）选择对比实验中性能较好的YOLOv3算法作为基础并进行如下改进，以提升模型对小尺度交通信号灯的检测能力： （a）更换特征提取主干网络：将VGG16网络的FC全连接层和Softmax分类层替换为3×3卷积层后作为YOLOv3算法的特征提取主干网络，以增强对细节特征的描述能力。 （b）跨越式特征融合：先将特征提取主干网络最后输出层执行的DBL通道数由128增加到256，再将13×13特征图直接进行4倍上采样，然后与52×52特征图进行特征融合，以增强52×52浅层特征图对小尺度目标的语义判别能力。 （c）聚类amp;缩放获取新先验框：采用K-means算法对BSTLD训练集中的GroundTruth进行聚类，然后采用线性缩放机制对聚类后的先验框进行离散，以获取更加适合小尺度交通信号灯尺寸的新先验框，进而提升模型定位的准确度。 （d）通过实验验证了以上三种改进方法单独使用和相互组合使用在提升模型检测能力方面的有效性，相较原YOLOv3模型，其中更换VGG16作为特征提取主干网络并采用跨越式特征融合的YOLOv3_VGG16-LFF模型表现最好，能够带来mAP约14%的提升。 （3）当前的交通信号灯识别算法大多以机动车信号灯（即“圆形灯”）和方向指示信号灯（即“箭头灯”）为主，较少涉及“倒计时数字灯”的检测与识别。本文提出了基于YOLOv3与OCR相结合的倒计时数字灯识别方法，识别精度相较传统的OCR识别方法有了较大提升。 |
| 作者： | 崔帅华 |
| 专业： | 控制工程 |
| 导师： | 苏波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 河南理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
