论文部分内容阅读
交通标志是车辆行驶过程中获得信息的重要来源,对交通标志准确快速识别对于保障交通安全、交通秩序,提高交通效率有着重要意义。也对目前正在兴起的先进驾驶辅助系统、无人驾驶研究有重要意义。故交通标志识别是智能交通系统(Intelligent Transportation System,ITS)的一个重要研究方向。在自然道路交通场景下,天气条件、光照强度、视角倾斜及遮挡等问题给交通标志检测与识别带来诸多困难。因此,研究准确度高、鲁棒性强、实时性好的交通标志识别算法是很有必要的。近年来深度学习已经广泛应用于图像与视频处理、语音与音频处理等领域,并取得了突飞猛进的发展。本文改进了基于深度学习的交通标志检测识别算法,并通过大量的实验验证算法的有效性。主要研究内容如下:1.针对交通标志的识别精度不高问题,提出了一种改进的双通路跃层卷积神经网络交通标志识别算法。在通路一上获取交通标志的全局特征,通路二获取交通标志核心区域特征,并通过在全连接层融合两通路上交通标志的底层精细特征和高层抽象特征,获得更加丰富的交通标志分类特征,最后将融合特征输入一个分类器进行识别。本文着重分析了深度学习网络参数的设定对识别准确度的影响,并采用德国交通标志识别标准数据集(German Traffic Sign Recognition Benchmark,GTSRB)进行训练和测试,实验结果表明该算法的识别精度达到97.96%,明显优于单一通路的跃层卷积网络算法和人工方法。2.针对交通标志的检测识别精度不高问题,提出了基于改进SSD(Single Shot Multi Box Detector)模型的交通标志检测识别算法。首先在SSD算法的基础上去除用于检测的高层级较小尺度特征图层;接着调整低层级特征图尺度及宽高比例,使其低层级分布更多的默认框,从而丰富了交通标志场景图中的精细特征;最后通过采集大量的真实交通标志场景图作为实验数据集。实验结果表明,对不同环境下的交通标志具有很好的鲁棒性,其平均检测精度m AP(mean Average Precision)达到0.7528,比经典SSD方法提高约10%,进而验证了该算法的有效性。