近年來,隨著人工智能領(lǐng)域的研究突破,汽車的輔助駕駛系統(tǒng)的推出改變了以往的駕駛模式。系統(tǒng)通過獲取實時的路況信息,及時地提醒駕駛員做出準確的操作,從而防止因疲勞駕駛而導致車禍發(fā)生。交通標志是重要的路況信息,如何快速準確地識別交通標志牌至關(guān)重要。然而傳統(tǒng)的目標檢測算法在實景測試中面臨著一些弊端,例如:易受光線、角度、障礙物遮擋、行車速度等因素限制,而且難以實現(xiàn)多目標檢測、容易漏檢、識別慢。本文面向交通標志實時準確識別的需要采取了針對性的研究和開發(fā),主要工作如下:（1）鑒于國內(nèi)交通標志的研究樣本較少,選擇了數(shù)據(jù)集較為完整的CCTSDB數(shù)據(jù)集,并對CCTSDB進行了預處理和擴充。標注數(shù)據(jù)有三大類:指示標志、禁止標志、警告標志。常見的交通標志均已包含,圖片所選環(huán)境的復雜程度符合實際情況。（2）首先利用深度學習網(wǎng)絡(luò)YOLOv3對CCTSDB做初步訓練,在測試中,對于圖片的識別上,準確率均到達98%以上,識別所需時間為0.03s左右�？梢娎肶OLOv3可以進行實時檢測識別。然而,在視頻識別上,對于遠處小目標容易出現(xiàn)漏檢,甚至是錯檢。針對這一問題,本文對yolo層下的anchor值做了聚類分析,結(jié)合了... 

【文章來源】：海南大學海南省 211工程院校

【文章頁數(shù)】：45 頁

【學位級別】：碩士

【部分圖文】：

目標檢測算法的發(fā)展進程

基于YOLOv3的國內(nèi)交通標志識別及嵌入式實現(xiàn)62YOLO目標檢測系列算法研究2.1YOLO系列之YOLOv12.1.1YOLOv1檢測原理Yolov1出自在CVPR2016上發(fā)表的論文《YouOnlyLookOnce:Unified,Real-Time物體Detection》，是經(jīng)典的one-stage檢測算法，它憑借著簡潔的網(wǎng)絡(luò)結(jié)構(gòu)、簡單的復現(xiàn)過程而受到眾多開發(fā)人員的追捧。YOLO算法的設(shè)計思想就是簡單的端對端的理念，即整個檢測樣本輸入，通過中間層的特征提取后，最后在輸出層logistics回歸出預測框的坐標信息與類別信息。雖然fasterRCNN也是直接將整個圖片作為輸入，但采用的是R-CNN系列的proposal+classifier的思想，只不過將提取proposal的步驟在CNN中實現(xiàn)[27]。YOLOv1的檢測過程如圖2.1所示，具體步驟如下：圖2.1YOLO算法檢測流程Fig2.1YOLOalgorithmdetectionprocess首先將原始圖片調(diào)整大小到448x448，再劃分為SxS（例：7x7）個單元格，這是為了方便劃分物體中心位置點。每個單元格能單獨檢測物體對象。假如物體的中心坐標落在某個單元格內(nèi)，那么該單元格對這個物體的預測相比相鄰的單元格就更加重要，它給出的預測信息就決定著該物體是否能被準確識別，簡單來說就是該單元格要對該物體負責。其中，每個單元格需要預測B個boundingbox值（邊界框值包含坐標（x，y）和寬高（w，h）），同時為每個邊界框值預測一個置信度（confidencescores）。因此單元格預測B個5維數(shù)組，即（x，y，w，h，confidence）。其中（x，y）是邊界框的中心位置相對于當前單元格左上角的偏移量，取值范圍在0-1之間，（w，h）是

海南大學碩士學位論文7邊界框相對于整張圖片的寬長占比，取值范圍在0-1之間。對于置信度confidence，這個置信度的計算包含兩個部分，一是單元格內(nèi)是否存在物體；二是預測框與真實框的IoU值。置信度的計算公式為truthpred)Pr(IoUObject（2.1）1.如果單元格內(nèi)有物體，則1)Object(Pr，此時置信度等于IoU2.如果單元格內(nèi)沒有物體，則0)Object(Pr，此時置信度等于0接著每個單元格還要給出C（預測物體的種類個數(shù)）個條件概率值。記為：ObjectClass)|Pr(i（2.2）這里輸出的種類概率值是針對當前單元格的，不是針對邊界框的。所以一個單元格只會輸出C個類別的條件概率信息，故而只能預測一種類別的物體。在檢測目標時，考慮到C個類別的預測信息，confidence的公式就變成：truthpreditruthpredibjectClassO)Pr()Pr()|Pr(IoUClassIoUbjectO（2.3）最后通過設(shè)置一個閾值，將confidence的低分部分濾掉，剩下的使用NMS（非極大值抑制）去除多余框，得到最終的標定框，也就是圖2.1中最后得到的預測框。2.1.2網(wǎng)絡(luò)結(jié)構(gòu)圖2.2YOLOv1的網(wǎng)絡(luò)結(jié)構(gòu)Fig2.2ThenetworkstructureofYOLOv1Yolov1的網(wǎng)絡(luò)架構(gòu)采用的是CNN的經(jīng)典形式，開始是convolutionallayers提取特征，再是fullyconnectedlayers進行預測結(jié)果。其內(nèi)部的具體設(shè)計是受GoogleNet的啟發(fā)，見圖2.2，448x448分辨率的輸入圖片通過24個卷積層（均是1x1卷積層+3x3

【參考文獻】：
期刊論文
[1]基于YOLO v3的交通標志牌檢測識別[J]. 潘衛(wèi)國,劉博,陳英昊,石洪麗.  傳感器與微系統(tǒng). 2019(11)
[2]基于感興趣區(qū)域和HOG-CTH特征的交通標志檢測[J]. 孫露霞,張尤賽,李永順,張碩.  計算機與數(shù)字工程. 2018(06)
[3]基于改進SIFT算法的英國交通標志識別研究[J]. 趙炎,藍箭,李印,斯杭煜.  工業(yè)控制計算機. 2016(02)



本文編號：3347846