论文部分内容阅读
交通标志检测与识别是辅助驾驶、无人驾驶、智能导航等领域的关键技术之一。准确获得道路前方的交通标志信息,能够为驾驶员或智能车辆执行正确动作提供决策支持,减少操作失误,降低交通事故发生的频率。出于安全性考虑,对交通标志的检测与识别必须具备准确、快速的特点。本文在研究分析国内外交通标志检测与识别技术的基础上,提出了一种自然环境下基于改进YOLOv3网络的交通标志检测与识别方法。本文主要的研究工作如下:1.本文使用imgaug库对GTSDB数据集进行图像增强,模拟生成雨雪天气、雾霾天气、阴暗天气、强光天气、大雾天气情况下的数据样本,并对数据集里数量较少且目标尺寸单一的图片,做了缩放80%～180%的处理,使得在增强数据集上训练出来的网络模型,可以适应在真实道路场景下以及恶劣天气环境下准确地对交通标志进行检测与识别。2.YOLOv3使用K-means算法在COCO数据集上聚类得到的9个先验框,有一部分在GTSDB数据集上并不适用。本文提出使用改进的K-means++算法在GTSDB数据集上重新聚类,得到9个新的先验框,提高模型对bounding boxes的检出率。3.在训练深度网络模型时,BN层能够加速网络收敛,控制过拟合。BN层将数据归一化后,能够有效解决梯度消失和梯度爆炸问题,但是在网络前向推断时多了一些层的运算,影响了模型的性能。本文提出将BN层的参数合并到卷积层,提升模型前向推断的速度。4.针对本文小目标交通标志识别任务,如果仅利用YOLOv3网络三个尺度的特征,对富含细节信息的低层特征的利用并不充分,不利于小目标的检测。本文提出改进YOLOv3网络的多尺度预测,对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层,提高模型对小目标交通标志的检测与识别效果。本文将所提出的基于改进YOLOv3网络的交通标志识别方法,在GTSDB数据集上进行了训练和测试。实验结果表明,本文提出的算法对GTSDB测试数据集上43类交通标志都具有良好的识别效果,,平均识别准确率达到98.1%,FPS指标为28.64,单张图片识别速度为34.92ms。将本文模型在GTSDB数据集以外的图片和视频上进行了测试,也获得了良好的识别效果,表明本文模型具有一定的鲁棒性。