论文部分内容阅读
交通标志识别是先进辅助驾驶以及无人驾驶中的关键技术。目前对于这一问题的主要研究思路是通过安装在车辆上的摄像机获取自然场景图像,进而通过图像处理与模式识别等技术对场景中的交通标志进行实时检测和识别。由于真实的道路交通环境复杂多变,现实应用又要求其保证较高的准确率和实时性,因此交通标志识别研究从理论到实际应用都具有很高的意义。传统方法使用滑动窗口结合手工设计特征进行交通标志识别,在精度和实时性上已经难以满足智能驾驶系统的需要。近年来,卷积神经网络(Convolution Neural Network,CNN)和候选区域(Region Proposal)等深度学习算法的发展为交通标志识别技术提供了新的可能,本文将基于深度学习的目标检测思想用于交通标志识别研究,并进一步实现基于智能车平台的交通标志识别。具体工作包括以下几个方面:(1)基于GPU服务器平台,采用深度学习的方法进行交通标志检测算法研究。首先使用 Faster R-CNN(Faster Region-based Convolutional Neural Networks)进行交通标志检测,这种方法通过RPN(Region Proposal Network)区域候选网络与Fast R-CNN(Fast Region-based Convolutional Network)检测网络共享全图像卷积特征实现端到端的检测;进而使用深度残差网络ResNet加深网络深度以及R-FCN(Region-based Fully Convolutional Networks)算法对整幅图像进行全卷积计算,提高交通标志检测性能;最后在TT100K交通标志数据集上进行算法对比实验,结果表明,基于R-FCN的交通标志检测取得了 98.1%的召回率和98.7%的准确率以及93.5%的mAP指标,优于本文使用的其他交通标志检测算法。(2)基于智能车平台的交通标志识别系统实现。首先搭建了智能车实验平台,包括Jetson TX1嵌入式平台的设计、R-FCN嵌入式平台环境搭建;其次使用LabelImg对智能车在实际道路上采集的数据进行标注,建立基于智能车平台的交通标志数据集;进而通过微调模型、参数调试等方法对R-FCN训练模型进行优化;最后在Jetson TX1嵌入式平台对不同行车场景下离线道路视频进行交通标志识别测试,取得了 93.8%的召回率和94.1%的准确率,识别效率达到每秒2.6帧,验证了基于智能车平台的交通标志识别系统的可靠性。