论文部分内容阅读
路面交通标志的检测与识别在自动驾驶场景中十分重要,它可将当前路面信息及时反馈给自动驾驶车辆,做出行车判断。在自然场景中,自动驾驶车辆所采集到的图像一般都是具有高分辨率的远景图像,所需检测和识别的路面交通标志在采集到的图像中占比不大。针对高分辨率图像下路面交通标志所占的面积小,位置偏、检测效果较低、实时性较差的问题,以及基于深度学习训练时存在的模型体积占用内存过大,不易将其移植到嵌入式平台的问题,本文主要的研究内容如下:(1)查找并阅读与路面交通标志检测和识别相关的文献,对当前国内外路面交通标志检测和识别领域的研究进展做了相关分析;了解当前用于路面交通标志检测和识别算法的优缺点,并分析出当前路面交通标志检测和识别算法所存在的问题。(2)对神经网络的基础原理做了相关的介绍。详细说明了神经网络的训练方式、卷积神经网络中的卷积操作、下采样操作,研究了几种经典的卷积网络结构,提出深度学习在路面交通标志的检测与识别中的优越性。(3)制作用于试验的数据集。根据试验需要,对相关的图像数据进行了亮度增强、筛选等操作以此来扩充数据集图片数量;对数据集中的每张图片用标注软件LabelImg进行标注;将数据集划分成训练数据集和测试数据集,从而为路面交通标志的识别准备好准确且合适的训练数据集和测试数据集。(4)研究当下比较流行的几种深度学习检测算法如Faster R-CNN、SSD、YOLOv3等,并将这几种算法进行了路面交通标志检测对比实验,实验结果表明YOLOv3在路面交通标志的检测精度(93.16%)和速度(13.2FPS)都高于另外两种算法,为了进一步验证YOLOv3算法的可靠性,进行了路面交通标志的实车试验,获得了该算法的实车测试数据,发现该算法测试速度未达实时性要求的问题。(5)针对YOLOv3实车试验中出现的推理速度问题,对YOLOv3的模型进行模型压缩,根据所设计的压缩方案,在没有损失识别精度的前提下,减少了75%的模型参数,将内存占用降低到44.3Mb,速度提升到0.019s/帧。实验结果表明,与传统的用于路面交通标志检测与识别的方法相比,基于深度学习的方法准确率和速度都更高。同时在将深度学习的模型移植到嵌入式平台中去时,通过模型压缩,提升了路面交通标志检测与识别的实际可行性。