基于深度学习的交通标志检测与识别研究

• 作 者: 蔡凯
• 出 处: 中国计量大学
• 发表日期: 2019年01期
• 关键词: 交通标志 深度学习 目标检测 视觉显著性 卡尔曼滤波

随着人工智能的发展,无人驾驶已成为当今研究的热点之一。由于在道路信息当中,提供最多信息的是交通标志,故无人驾驶的关键之一便是建立对交通标志进行检测与识别的驾驶辅助系统。其中的难点便是如何快速、准确的检测并识别交通标志。得益于计算机性能的提升以及图像大数据的威力,深度学习在目标检测以及分类方面的性能得到了大幅度的提升。但现有的算法仍存在实时性不够、因检测精度低而导致识别率低等问题。本文针对以上问题展开探讨,主要的研究内容如下:(1)提出了一种通过结合Ranking Saliency视觉显著性算法优化目标检测框精度的算法。使用现有的YOLO V3目标检测算法对图片进行检测,得到图像中交通标志的位置,但发现其检测精度较低。因此,本文在其基础上结合Ranking Saliency视觉显著性算法对目标框进行再次修正,从而优化目标检测精度。实验表明,结合后的算法将YOLO V3的检测框交并比提高了3%~9%,并且提高了后续不同交通标志分类的精确率和召回率。(2)为了进一步提高算法的实时性及准确性,本文提出了结合卡尔曼滤波的跟踪算法。现有算法有以下缺点,一方面,目标检测过程中会出现丢帧或目标被遮挡等情况,每次丢帧或遮挡便需对目标进行重新识别相当耗费时间资源;另一方面,持续的识别不仅对算法的实时性产生影响并且会降低算法识别的正确率。因此,本文结合卡尔曼滤波跟踪算法,在检测到交通标志后,对固定10帧进行识别,通过投票原则来确定交通标志的正确类别。在确定类别之后,无需对后续检测到的交通标志再次分类,仅对已得到的分类结果进行跟踪。实验表明,结合后的算法不仅在识别准确率上提升了15%,在时间性能上提升了约50%,并且能够较好的克服目标被遮挡及检测过程中掉帧等情况。