交通信號(hào)燈識(shí)別包括檢測(cè)和狀態(tài)識(shí)別,在智能交通系統(tǒng)中發(fā)揮重要作用,是自動(dòng)駕駛汽車的重要感知模塊。實(shí)際道路環(huán)境下交通信號(hào)燈種類多樣,相較于車輛、行人等目標(biāo)具有尺度小的特性,給識(shí)別增加了諸多困難。本文基于卷積神經(jīng)網(wǎng)絡(luò)提出了一種交通信號(hào)燈識(shí)別方法,該方法具備以下特點(diǎn):能夠檢測(cè)遠(yuǎn)距離小尺度交通信號(hào)燈,能夠識(shí)別多個(gè)類別交通信號(hào)燈,具備一定的交通信號(hào)燈跟蹤能力。本文工作如下:在交通信號(hào)燈檢測(cè)方面,本文基于YOLOv3算法,通過(guò)改進(jìn)特征提取、調(diào)整特征融合方式及尺度、優(yōu)化損失函數(shù)來(lái)提升交通信號(hào)燈的檢測(cè)效果。首先,降低骨干網(wǎng)絡(luò)的下采樣倍率以增加小尺度目標(biāo)的特征表達(dá)能力,并引入特征金字塔池化進(jìn)行局部特征和全局特征的融合,增加了網(wǎng)絡(luò)提取特征的表達(dá)能力,實(shí)驗(yàn)結(jié)果表明降低下采樣倍率和特征金字塔池化能夠帶來(lái)mAP值2%左右的提升。其次,增加一組特征圖構(gòu)成雙特征融合,促進(jìn)高位置信息的淺層特征和高語(yǔ)義信息的深層特征有效融合,實(shí)驗(yàn)結(jié)果表明雙特征融合能夠帶來(lái)mAP值4%左右的提升;同時(shí),增大融合特征的大小有助于小尺度交通信號(hào)燈的檢測(cè)。最后,引入GIoU作為檢測(cè)任務(wù)的損失函數(shù),相較于使用IoU或矩形框中心點(diǎn)坐標(biāo)的均方誤差,GIoU關(guān)注物體之間的不重疊程度,能夠改進(jìn)目標(biāo)邊界框的回歸效果;此外,提出了矩形相似度結(jié)合GIoU作為新?lián)p失函數(shù)來(lái)提升邊界框回歸效果,實(shí)驗(yàn)表明新?lián)p失函數(shù)能夠帶來(lái)mAP值1%～2%的提升。為了滿足自動(dòng)駕駛感知模塊實(shí)時(shí)性的要求,本文采取增減其檢測(cè)頭的數(shù)量、改變輸入圖像的分辨率和模型剪枝來(lái)做了加快模型計(jì)算速度的嘗試,實(shí)驗(yàn)表明小型骨干網(wǎng)絡(luò)也可以在較高輸入分辨率和多個(gè)檢測(cè)頭下,在準(zhǔn)確率和計(jì)算速度取得顯著的成績(jī);同一算法采用的檢測(cè)頭個(gè)數(shù)越多,計(jì)算速度越慢,檢測(cè)準(zhǔn)確率越高;輸入分辨率的增加也能夠帶來(lái)檢測(cè)準(zhǔn)確率的提升;剪枝能夠大幅減少模型的參數(shù)量、FLOPs和計(jì)算速度,且下降程度隨著剪枝率增加而增加,并且保證了準(zhǔn)確率基本不變。本文針對(duì)物體檢測(cè)算法的檢出結(jié)果,通過(guò)形狀和顏色約束的后處理算法對(duì)交通信號(hào)燈的狀態(tài)進(jìn)行判斷�？梢杂行嵘喾N交通信號(hào)燈的識(shí)別準(zhǔn)確率。此外,本文設(shè)計(jì)了一個(gè)簡(jiǎn)單的CNN分類模型,對(duì)其進(jìn)行單獨(dú)訓(xùn)練并將其加在物體檢測(cè)算法的后面,CNN分類模型在自建的訓(xùn)練集和測(cè)試集都達(dá)到了99%以上的準(zhǔn)確率。實(shí)驗(yàn)表明,在檢測(cè)算法之后再進(jìn)行狀態(tài)判斷,這種方式對(duì)于交通信號(hào)燈識(shí)別是有效的。為了穩(wěn)定檢測(cè)和識(shí)別結(jié)果,在交通信號(hào)燈跟蹤方面,本文使用一個(gè)基于運(yùn)動(dòng)模型的方法來(lái)估計(jì)交通信號(hào)燈相對(duì)于車輛坐標(biāo)系的運(yùn)動(dòng),以此來(lái)預(yù)測(cè)下一幀圖像中交通信號(hào)燈的位置,并使用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)修正跟蹤矩形框。該跟蹤方法具有跟蹤大于10個(gè)像素寬度交通信號(hào)燈的能力。圖[35]表[7]參[58]。
【學(xué)位單位】：安徽建筑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP391.41;TP183;U491.5
【部分圖文】：

安徽建筑大學(xué)碩士學(xué)位論文第三章基于YOLOv3改進(jìn)的交通信號(hào)燈檢測(cè)-27-的情況�？紤]到豎排交通信號(hào)燈的燈板具有相似的外觀結(jié)構(gòu)，本文針對(duì)這一特性，在GIoU的基礎(chǔ)上增加一個(gè)矩形相似度的概念來(lái)提升交通信號(hào)燈檢測(cè)的性能，矩形相似度更加關(guān)注邊界框的相似程度，它只能作為GIoU或者IoU的補(bǔ)充項(xiàng)，如圖3-6(c)所示。先求出兩個(gè)矩形框左上角到右下角的向量表示11(x,y)和22(x,y)。則矩形相似度的表達(dá)式如式3-4所示。121222221122xxyySimxyxy（3-4）對(duì)于二維物體檢測(cè)任務(wù)來(lái)說(shuō)，A、B都是簡(jiǎn)單的矩形，而且對(duì)于它們之間的交集和封閉形狀都是矩形。它們的頂點(diǎn)坐標(biāo)僅僅是被比較的兩個(gè)邊界框中的一個(gè)的坐標(biāo)，可以通過(guò)使用min和max函數(shù)比較每個(gè)頂點(diǎn)的坐標(biāo)來(lái)實(shí)現(xiàn)。算法總損失函數(shù)仍然是由定位損失、分類損失和置信度損失組成，定位損失部分由原來(lái)的目標(biāo)框中心坐標(biāo)的均方誤差替換成GIoU和矩形相似度，如式3-5所示。(1-)+(1-)++giousimclsclsprobprobLossGIoUSimlossloss（3-5）其中，giou表示GIoU所占的權(quán)重，sim表示矩形相似度所占的權(quán)重，clsloss表示分類損失，cls表示分類損失的權(quán)重，probloss表示置信度損失,prob表示置信度損失的權(quán)重。本文把綜合運(yùn)用GIoU和矩形相似度作為損失函數(shù)的方法稱為SGIoU。與IoU不同的是，SGIoU不僅關(guān)注重疊的區(qū)域，而且SGIoU的值更能反映兩個(gè)對(duì)稱圖形之間是如何重疊的�？紤]在兩個(gè)邊界框不重疊的情況下，選取IoU作為損失，這一部分的梯度全為0，而選取SGIoU作為損失，GIoU和矩形相似度都不會(huì)為0，仍然會(huì)產(chǎn)生一定的梯度。SGIoU相較于IoU會(huì)產(chǎn)生一個(gè)更陡的梯度，更有助于網(wǎng)絡(luò)的收斂。3.4實(shí)驗(yàn)與分析圖3-7BSTLD的樣例及標(biāo)簽

安徽建筑大學(xué)碩士學(xué)位論文第三章基于YOLOv3改進(jìn)的交通信號(hào)燈檢測(cè)-28-本節(jié)對(duì)上述網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和評(píng)估，主要的實(shí)驗(yàn)數(shù)據(jù)集為BSTLD（BoschSmallTrafficLightsDataset，Bosch交通信號(hào)燈數(shù)據(jù)集）[15](http://k0b.de/bstld)。BSTLD數(shù)據(jù)集使用HDR相機(jī)在SanFrancisco，US的街道上通過(guò)車載相機(jī)采集，圖像分辨率為1280×720，具有超過(guò)5000幅的訓(xùn)練集樣本，包含15個(gè)類別、10756個(gè)標(biāo)注的交通信號(hào)燈。采集的場(chǎng)景以及交通信號(hào)燈標(biāo)注的標(biāo)簽信息如圖3-7所示，可以看出，城市中遍布著大量的路口、交通信號(hào)燈，采集的一副圖像中可能會(huì)出現(xiàn)不同路口的交通信號(hào)燈。該數(shù)據(jù)集中交通信號(hào)燈燈板的狀態(tài)樣例如圖3-8所示，其中有極少數(shù)燈板由于遠(yuǎn)距離導(dǎo)致肉眼不能分辨。圖3-8BSTLD的交通信號(hào)燈狀態(tài)樣例此外，本文還在安徽省合肥市的大別山路附近的城區(qū)道路上進(jìn)行了實(shí)車驗(yàn)證。智能駕駛實(shí)驗(yàn)平臺(tái)采用中科院“智能先鋒”號(hào)智能車，相機(jī)分辨率為1624×1234，鏡頭焦距為25毫米。實(shí)驗(yàn)場(chǎng)景交通信號(hào)燈標(biāo)注的標(biāo)簽信息如圖3-9所示。圖3-9實(shí)際場(chǎng)景交通信號(hào)燈樣例及標(biāo)簽

安徽建筑大學(xué)碩士學(xué)位論文第三章基于YOLOv3改進(jìn)的交通信號(hào)燈檢測(cè)-28-本節(jié)對(duì)上述網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和評(píng)估，主要的實(shí)驗(yàn)數(shù)據(jù)集為BSTLD（BoschSmallTrafficLightsDataset，Bosch交通信號(hào)燈數(shù)據(jù)集）[15](http://k0b.de/bstld)。BSTLD數(shù)據(jù)集使用HDR相機(jī)在SanFrancisco，US的街道上通過(guò)車載相機(jī)采集，圖像分辨率為1280×720，具有超過(guò)5000幅的訓(xùn)練集樣本，包含15個(gè)類別、10756個(gè)標(biāo)注的交通信號(hào)燈。采集的場(chǎng)景以及交通信號(hào)燈標(biāo)注的標(biāo)簽信息如圖3-7所示，可以看出，城市中遍布著大量的路口、交通信號(hào)燈，采集的一副圖像中可能會(huì)出現(xiàn)不同路口的交通信號(hào)燈。該數(shù)據(jù)集中交通信號(hào)燈燈板的狀態(tài)樣例如圖3-8所示，其中有極少數(shù)燈板由于遠(yuǎn)距離導(dǎo)致肉眼不能分辨。圖3-8BSTLD的交通信號(hào)燈狀態(tài)樣例此外，本文還在安徽省合肥市的大別山路附近的城區(qū)道路上進(jìn)行了實(shí)車驗(yàn)證。智能駕駛實(shí)驗(yàn)平臺(tái)采用中科院“智能先鋒”號(hào)智能車，相機(jī)分辨率為1624×1234，鏡頭焦距為25毫米。實(shí)驗(yàn)場(chǎng)景交通信號(hào)燈標(biāo)注的標(biāo)簽信息如圖3-9所示。圖3-9實(shí)際場(chǎng)景交通信號(hào)燈樣例及標(biāo)簽
【參考文獻(xiàn)】

相關(guān)期刊論文 前4條

1 周宣汝;袁家政;劉宏哲;楊睿;;基于HOG特征的交通信號(hào)燈實(shí)時(shí)識(shí)別算法研究[J];計(jì)算機(jī)科學(xué);2014年07期

2 谷明琴;蔡自興;黃振威;何芬芬;;城市環(huán)境中箭頭型交通信號(hào)燈的實(shí)時(shí)識(shí)別算法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

3 谷明琴;蔡自興;李儀;;應(yīng)用圓形度和顏色直方圖的交通信號(hào)燈識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2012年01期

4 徐成;譚乃強(qiáng);劉彥;;基于Lab色彩空間和模板匹配的實(shí)時(shí)交通燈識(shí)別算法[J];計(jì)算機(jī)應(yīng)用;2010年05期

本文編號(hào)：2878777