原文传递
基于深度学习的前方车辆尾灯检测与灯语识别研究
| 论文题名： | 基于深度学习的前方车辆尾灯检测与灯语识别研究 |
| 关键词： | 智能驾驶;前方车辆;尾灯检测;灯语识别;特征融合;注意力机制 |
| 摘要： | 近年来，由于城市道路中车辆拥挤和频繁的碰擦事故，智能驾驶系统已成为学术界和产业界研究的热点。其中，识别前方车辆尾灯信号这一任务不仅可以辅助驾驶员及时与前方车辆保持安全距离，还可以为智能驾驶系统提供基础数据，辅助路径规划，有着非常重要的作用。然而，目前对于前方车辆尾灯信号识别的研究还不是很多。因此，本文研究智能车辆道路行驶过程中前方车辆尾灯检测与灯语识别的算法模型，主要工作如下： （1）针对尾灯面积小且密集的特点，提出了一种融合语义信息的尾灯检测模型。首先，设计了CSPResNeXt-40网络，扩大在大尺度特征图上的卷积次数，减少在小尺度特征图上的卷积次数，使得模型在不增加计算量的情况下，加强了对小目标的特征提取能力。其次，优化了特征融合模块，采用多尺度融合，让深层、浅层特征信息实现更充分地传递融合。最后，模型结合高层语义Mask分支模块，对深层网络的语义信息进行提取，增强了网络对尾灯语义的识别能力。实验结果表明，本文提出的网络模型具有较好的检测性能，在车辆尾灯测试集上的 mAP 达到 90.55%，比 YOLOv4 算法提升了14.42%，FPS达到了34帧。 （2）在车辆尾灯检测的基础上，提出了一种基于注意力机制的灯语识别模型。首先，对DLA网络提取特征过程进行改进，并在此基础上设计了新的特征深度聚合模块，使得深层、浅层特征能够更好的结合。其次，采用全局-局部的网络结构从浅层收集纹理特征矩阵，保留来自深层的语义特征。最后，在融合后的特征层上映射出局部注意力区域并加入双线注意力池化模块，通过有效利用多个注意力图进一步提高模型的训练效率，在尽可能保证检测速度的同时提升模型的检测精度。实验结果可知，在车辆灯语测试集上正确率达到91.91%，Rear Signal数据集上正确率达到89.20%，表明了模型具有较好的检测性能和泛化性。 （3）构建了一个检测前方车辆尾灯及灯语识别的软件系统。该系统集成了多种深度学习目标检测算法模型，可以实现对图像中前方车辆尾灯的检测到灯语识别的完整流程。针对国内应用环境，通过无人驾驶车平台自行采集了学校周围城市道路的图像数据，并进行了标注。基于迁移学习进行训练，使用k-means++聚类算法生成新的Anchor，使其与尾灯目标更吻合。真实数据中尾灯检测的mAP达到93.86%，灯语识别的mAP达到87.15%，FPS达到了32帧，表明了本文提出的网络模型有着较好的检测性能。 |
| 作者： | 常乐 |
| 专业： | 计算机技术 |
| 导师： | 张重阳 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
