论文部分内容阅读
在自动驾驶领域,交通标志的准确检测和识别是确保在自然场景下实现自动驾驶的关键技术,具有非常重要的研究意义。自动驾驶系统中的车载摄像头采集的图像一般都是高分辨率的全景图像,交通标志在图像中所占尺寸较小,通用的目标检测模型中,模型检测效果较差。本文以车载摄像头图像中的交通标志作为研究对象,研究了针对高分辨率图像中交通标志所占尺寸较小、检测率较低、实时性较差的问题,及网络模型体积较大难以部署在移动端嵌入式设备上等一系列问题。主要研究内容和工作如下:(1)针对YOLOv3网络模型存在的较小交通标志漏检问题,重新设计并实现了交通标志检测网络模型,提出了Traffic Signs-YOLOv3(简称:TS-YOLOv3)网络模型。通过加权多尺度特征融合网络提高了交通标志的检测精度,有效解决了较小交通标志漏检的问题。(2)改进模型先验框聚类算法的计算方式,运用K-Means++聚类算法得到9个适用于交通标志数据集检测的先验框,使用数据增强方法丰富了交通标志数据集,增强卷积神经网络模型的鲁棒性。(3)研究YOLOv3网络模型的后处理算法,当交通标志重叠出现在图像中时,NMS(Non-Maximum Suppression,非极大值抑制)算法优先选择分类置信度最高的候选框,并去除重叠的候选框,导致重叠的交通标志只有一个能被检测到。将NMS算法改成Soft-NMS算法,通过将重叠的候选框的分类置信度降低,保留存在一定程度重叠的不同目标的候选框,解决了图像中交通标志存在重叠现象导致的漏检问题。(4)为解决训练得到的TS-YOLOv3网络模型存在的占用内存空间较大,需要GPU加速计算才可以做到实时检测的问题,通过合并卷积层与BN层实现加速计算,并运用模型剪枝算法压缩网络模型体积。剪枝后得到的TS-YOLOv3-Prune网络模型权重大小减少了33倍,识别速度提升了10倍,同时可以保持识别精度基本不变。实验结果表明:本文提出的方法解决了车载摄像头采集的图像中,由于交通标志占比率低导致的漏检问题,同时实现了模型压缩,得到了精度相当、模型精简、实时性好的轻量级交通标志检测模型。