原文传递
基于深度学习的复杂环境下交通标志检测算法研究
| 论文题名： | 基于深度学习的复杂环境下交通标志检测算法研究 |
| 关键词： | 交通标志检测;复杂环境;数据增强;深度学习;分组注意力 |
| 摘要： | 近年来，自动驾驶逐渐映入人们眼帘，而交通标志检测作为自动驾驶领域中必不可少的一部分，其主要的作用便是通过车载摄像头采集到车辆所处位置前方图像，对图像进行处理后，返回图像中所包含的交通标志信息，如：位置信息、类别信息。然后车载系统或驾驶员可根据获取的交通标志信息采取相应的应对策略。但是由于交通标志本身所处环境的复杂性，如光照、天气、褪色、镜头抖动等外界因素，导致交通标志检测的难度大大提升，而且主流的交通标志检测算法对硬件设备的性能有着较高的要求，使其在性能不足的平台上很难完成实时检测。针对以上问题，本文以轻量级网络YOLOv4-Tiny作为基础框架进行改进，使其能够高效地完成复杂环境下交通标志检测任务。 首先，针对交通标志所处环境的复杂性，提出对GTSDB数据集进行数据增强，使增强后的数据能更好地体现交通标志所处的复杂环境，使算法模型可以学习到更加真实的车载环境特征，从而增强模型的泛化能力和实用价值。YOLOv4-Tiny在GTSDB数据集上的mAP为84.29%，使用该数据增强后，mAP达到了88.26%。针对YOLOv4-Tiny检测性能的不足，提出了MS多尺度模块和AMS自适应多尺度特征增强模块。将AMS和MS模块分别嵌入到YOLOv4-Tiny的Neck部分的浅层分支中，AMS-YOLOv4-Tiny的mAP达到了87.28%，MS-YOLOv4-Tiny的mAP达到了87.79%，其中MS-YOLOv4-Tiny在数据增强的作用下，mAP甚至达到了91.03%。MS及AMS模块以较小的参数负担带来了较大的性能提升。 然后，从人类视觉系统的角度出发，引入了CoordAttention注意力机制，使其更关注交通标志在图像中的特征信息，并基于分而治之的思想提出了GCA分组注意力模块，去简化交通标志所处的复杂环境信息。根据人类的视觉系统会优先注意到目标信息更多的区域这项特征，又基于GCA模块提出了EGCA增强分组注意力模块。依旧将这两个模块分别嵌入到YOLOv4-Tiny的Neck部分的浅层分支中，GCA-YOLOv4-Tiny的mAP达到了87.24%，EGCA-YOLOv4-Tiny的mAP达到了87.78%。 最后，基于以上研究，设计并实现了一个简单的交通标志检测系统。该系统能够完成对输入图像和输入流视频中交通标志检测，也能调用本地摄像头实现实时交通标志检测。 |
| 作者： | 付锦飞 |
| 专业： | 计算机技术 |
| 导师： | 周应华 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆邮电大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
