论文部分内容阅读
随着人工智能的迅猛发展与5G时代的到来,人们对汽车的安全性、智能性、操作性的要求不断提高,传统汽车的控制方式正在发生巨大的变革。人们试图在传统汽车行业的基础上开发辅助驾驶系统和无人驾驶汽车,通过计算机系统的控制可以实现辅助驾驶或者无人驾驶,以此来减轻驾驶员的精神负担,减少交通事故的发生,提高车辆行驶的安全性,将驾驶员从繁重的驾驶工作中解脱出来。无论是辅助驾驶亦或是自动驾驶汽车,都离不开驾驶室外部环境的检测。由于传统算法在检测交通标识时,人们通过手动提取交通标识的颜色、边缘、纹理等特征,致使该类方法检测速度慢、鲁棒性差,难以在复杂的真实交通场景中准确的检测出交通标识。为实现及时准确的检测交通标志、交通信号灯以及停止线等多类交通标识,本文提出了基于深度学习目标检测算法YOLO v3算法的多类交通标识检测算法T-YOLO与TM-YOLO。T-YOLO算法首先以Darknet-53卷积网络为基础,并且在Darknet-53网络的末端加入数个卷积层与3个上采样层组成特征提取网络,完成多类交通标识特征提取;其次,将三次上采样获得的原图像的16倍、8倍、4倍下采样特征图与Darknet-53提取的对应尺寸的特征图相融合,对融合后的特征图进行多类交通标识定位与类别预测;最后,使用非极大值抑制算法,对上一步中获得的大量预测结果进行筛选,选取出与多类交通标识真实位置最接近且分类正确的预测框,完成多类交通标识检测任务。在保证满足自制多类交通标志数据集SUTDB的设计指标基础上,为减少网络算法的参数量,本文对T-YOLO算法中的特征提取网络及卷积方式进行改进,提出了TM-YOLO算法。该算法改用Mobilenet v1网络进行特征提取,使用深度可分离卷积代替T-YOLO算法中的标准卷积,实现了参数量的压缩。本文中分别在交通标志、交通信号灯、停止线及多类交通标识数据集等四种数据集上进行实验,实验结果显示T-YOLO算法在交通标志数据集TT100K上,召回率为97.31%,平均精度为94.55%;交通信号灯数据集LaRA上,召回率为98.76%,平均精度为94.47%;停止线数据集Stopline上,召回率为86.47%,平均精度为84.28%;多类交通标志数据集SUTDB上,三类交通标识平均精度为92.93%,四种数据集上检测速度均高于每秒30帧,参数量约为247MB。TM-YOLO算法在多类交通标志数据集SUTDB上,三类待测交通标识平均精度为90%,检测速度为每秒41帧,参数量为29MB。实验证明T-YOLO与TM-YOLO算法多类交通标识检测效果良好,满足本文提出的设计指标。