在自動駕駛領(lǐng)域,交通標(biāo)志的準(zhǔn)確檢測和識別是確保在自然場景下實(shí)現(xiàn)自動駕駛的關(guān)鍵技術(shù),具有非常重要的研究意義。自動駕駛系統(tǒng)中的車載攝像頭采集的圖像一般都是高分辨率的全景圖像,交通標(biāo)志在圖像中所占尺寸較小,通用的目標(biāo)檢測模型中,模型檢測效果較差。本文以車載攝像頭圖像中的交通標(biāo)志作為研究對象,研究了針對高分辨率圖像中交通標(biāo)志所占尺寸較小、檢測率較低、實(shí)時性較差的問題,及網(wǎng)絡(luò)模型體積較大難以部署在移動端嵌入式設(shè)備上等一系列問題。主要研究內(nèi)容和工作如下:(1)針對YOLOv3網(wǎng)絡(luò)模型存在的較小交通標(biāo)志漏檢問題,重新設(shè)計(jì)并實(shí)現(xiàn)了交通標(biāo)志檢測網(wǎng)絡(luò)模型,提出了Traffic Signs-YOLOv3(簡稱:TS-YOLOv3)網(wǎng)絡(luò)模型。通過加權(quán)多尺度特征融合網(wǎng)絡(luò)提高了交通標(biāo)志的檢測精度,有效解決了較小交通標(biāo)志漏檢的問題。(2)改進(jìn)模型先驗(yàn)框聚類算法的計(jì)算方式,運(yùn)用K-Means++聚類算法得到9個適用于交通標(biāo)志數(shù)據(jù)集檢測的先驗(yàn)框,使用數(shù)據(jù)增強(qiáng)方法豐富了交通標(biāo)志數(shù)據(jù)集,增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)模型的魯棒性。(3)研究YOLOv3網(wǎng)絡(luò)模型的后處理算法,當(dāng)交通標(biāo)志重疊出現(xiàn)在圖像中時,NMS(Non-Maximum Suppression,非極大值抑制)算法優(yōu)先選擇分類置信度最高的候選框,并去除重疊的候選框,導(dǎo)致重疊的交通標(biāo)志只有一個能被檢測到。將NMS算法改成Soft-NMS算法,通過將重疊的候選框的分類置信度降低,保留存在一定程度重疊的不同目標(biāo)的候選框,解決了圖像中交通標(biāo)志存在重疊現(xiàn)象導(dǎo)致的漏檢問題。(4)為解決訓(xùn)練得到的TS-YOLOv3網(wǎng)絡(luò)模型存在的占用內(nèi)存空間較大,需要GPU加速計(jì)算才可以做到實(shí)時檢測的問題,通過合并卷積層與BN層實(shí)現(xiàn)加速計(jì)算,并運(yùn)用模型剪枝算法壓縮網(wǎng)絡(luò)模型體積。剪枝后得到的TS-YOLOv3-Prune網(wǎng)絡(luò)模型權(quán)重大小減少了33倍,識別速度提升了10倍,同時可以保持識別精度基本不變。實(shí)驗(yàn)結(jié)果表明:本文提出的方法解決了車載攝像頭采集的圖像中,由于交通標(biāo)志占比率低導(dǎo)致的漏檢問題,同時實(shí)現(xiàn)了模型壓縮,得到了精度相當(dāng)、模型精簡、實(shí)時性好的輕量級交通標(biāo)志檢測模型。
【學(xué)位單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP18;U463.6;TP391.41
【部分圖文】：

第2章YOLO系列目標(biāo)檢測與模型壓縮7第2章YOLO系列目標(biāo)檢測與模型壓縮目標(biāo)檢測技術(shù)作為計(jì)算機(jī)視覺的重要方向，已廣泛應(yīng)用于自動駕駛汽車、智能視頻監(jiān)控、工業(yè)檢測、機(jī)器人導(dǎo)航等許多領(lǐng)域。隨著計(jì)算機(jī)視覺任務(wù)的性能提升，復(fù)雜的網(wǎng)絡(luò)模型通常具有占用存儲空間大、消耗計(jì)算資源多的特點(diǎn)，這使得模型部署在移動端嵌入式設(shè)備上受到了限制。如何減少存儲占用、減少計(jì)算資源、降低網(wǎng)絡(luò)帶寬成為模型壓縮算法亟待解決的問題。在進(jìn)一步開展研究之前，首先需要對YOLO系列目標(biāo)檢測算法的原理和發(fā)展歷程進(jìn)行回顧與總結(jié)，其次介紹模型壓縮算法，對比分析各種模型壓縮算法的特點(diǎn)，并結(jié)合交通標(biāo)志檢測與識別這一實(shí)際應(yīng)用場景，選出最適合作為交通標(biāo)志檢測任務(wù)的網(wǎng)絡(luò)模型和模型壓縮算法。2.1YOLO系列目標(biāo)檢測2.1.1YOLOv1YOLO模型最早是由JosephRedmon等人在2015年發(fā)布的，YOLO將目標(biāo)檢測看作回歸問題，將整個圖像分割為固定數(shù)量的網(wǎng)格單元，每個網(wǎng)格單元被看作一個候選框，然后網(wǎng)絡(luò)檢測候選框中是否存在一個或多個對象。YOLO模型的目標(biāo)檢測過程分為三步，第一步：將輸入圖像大小縮放為448×448尺寸，并將圖片劃分為7×7網(wǎng)格；第二步：卷積層負(fù)責(zé)提取特征，全連接層負(fù)責(zé)預(yù)測目標(biāo)；第三步：通過NMS算法過濾得到最終候選框。大致流程如圖2.1所示。圖2.1YOLO算法框架YOLO使用了GoogLeNet作為骨干架構(gòu)，如圖2.2所示，與其不同的是，使用了更少的參數(shù)，24個卷積層，2個全連接層，將GoogLeNet的3個輸出層改為1個輸出層，為了提高模型的精度，JosephRedmon運(yùn)用遷移學(xué)習(xí)的策略在ImageNet上進(jìn)行預(yù)訓(xùn)練。

第2章YOLO系列目標(biāo)檢測與模型壓縮8圖2.2YOLO的骨干架構(gòu)作為監(jiān)督學(xué)習(xí)，需要先構(gòu)造好訓(xùn)練樣本，才能讓模型從中學(xué)習(xí)。YOLO預(yù)測過程如圖2.3所示，首先將圖像分成7×7的網(wǎng)格，判斷每個網(wǎng)格是否存在負(fù)責(zé)預(yù)測目標(biāo)的中心，然后每個網(wǎng)格需要預(yù)測2個邊界框，網(wǎng)格負(fù)責(zé)預(yù)測類別信息，邊界框負(fù)責(zé)預(yù)測坐標(biāo)信息(,,,)centercenterxywh，其中(,)centercenterxy表示邊界框的中心坐標(biāo)，(w,h)表示邊界框的寬度和高度，最后將坐標(biāo)信息進(jìn)行歸一化處理。每個邊界框除了要預(yù)測目標(biāo)的位置之外，還要預(yù)測置信度，置信度代表了所預(yù)測的網(wǎng)格中含有目標(biāo)的置信度和概率值，用公式來表示：()*truthrpredconfidence=PObjectIOU（2.1）其中()rPObject表示該網(wǎng)格是否存在負(fù)責(zé)預(yù)測目標(biāo)中心的概率，存在為1，不存在為0，truthpredIOU表示預(yù)測邊界框與真實(shí)邊界框的交集和并集的比值，簡稱交并比，可以衡量在數(shù)據(jù)集中目標(biāo)檢測的準(zhǔn)確度，最理想的情況是完全重疊。由于每個網(wǎng)格只能預(yù)測2個邊界框，所以當(dāng)相鄰的物體數(shù)量過多時，YOLO會出現(xiàn)漏檢的情況，這在后面的版本中做了優(yōu)化。圖2.3YOLO預(yù)測過程

第2章YOLO系列目標(biāo)檢測與模型壓縮8圖2.2YOLO的骨干架構(gòu)作為監(jiān)督學(xué)習(xí)，需要先構(gòu)造好訓(xùn)練樣本，才能讓模型從中學(xué)習(xí)。YOLO預(yù)測過程如圖2.3所示，首先將圖像分成7×7的網(wǎng)格，判斷每個網(wǎng)格是否存在負(fù)責(zé)預(yù)測目標(biāo)的中心，然后每個網(wǎng)格需要預(yù)測2個邊界框，網(wǎng)格負(fù)責(zé)預(yù)測類別信息，邊界框負(fù)責(zé)預(yù)測坐標(biāo)信息(,,,)centercenterxywh，其中(,)centercenterxy表示邊界框的中心坐標(biāo)，(w,h)表示邊界框的寬度和高度，最后將坐標(biāo)信息進(jìn)行歸一化處理。每個邊界框除了要預(yù)測目標(biāo)的位置之外，還要預(yù)測置信度，置信度代表了所預(yù)測的網(wǎng)格中含有目標(biāo)的置信度和概率值，用公式來表示：()*truthrpredconfidence=PObjectIOU（2.1）其中()rPObject表示該網(wǎng)格是否存在負(fù)責(zé)預(yù)測目標(biāo)中心的概率，存在為1，不存在為0，truthpredIOU表示預(yù)測邊界框與真實(shí)邊界框的交集和并集的比值，簡稱交并比，可以衡量在數(shù)據(jù)集中目標(biāo)檢測的準(zhǔn)確度，最理想的情況是完全重疊。由于每個網(wǎng)格只能預(yù)測2個邊界框，所以當(dāng)相鄰的物體數(shù)量過多時，YOLO會出現(xiàn)漏檢的情況，這在后面的版本中做了優(yōu)化。圖2.3YOLO預(yù)測過程
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 賈永紅;胡志雄;周明婷;姬偉軍;;自然場景下三角形交通標(biāo)志的檢測與識別[J];應(yīng)用科學(xué)學(xué)報;2014年04期

2 馮春貴;祝詩平;王海軍;賀園園;;基于改進(jìn)模板匹配的限速標(biāo)志識別方法研究[J];西南大學(xué)學(xué)報(自然科學(xué)版);2013年04期

3 朱雙東;劉蘭蘭;陸曉峰;;一種用于道路交通標(biāo)志識別的顏色—幾何模型[J];儀器儀表學(xué)報;2007年05期

本文編號：2894332