论文部分内容阅读
交通标志作为重要的道路安全设施,在引导行人,规范驾驶员行为,指引车辆行驶路线等方面具有重要的作用。交通标志检测与识别算法已成为智能交通领域的研究热点。由于交通标志数据集的缺乏,现有的算法主要针对特定的某类交通标志进行检测,很少有实现中国全部7大类交通标志检测的算法。因此本文利用深度学习和图切技术设计了一种交通标志检测、自动标定、卷积网络模型训练的框架。实现交通标志数据集的自动构建,迭代生成新的卷积网络模型,得到更高精度的交通标志检测算法。该框架先利用互联网中的图片和实际拍摄的街道场景的726幅图片,经人工标定后进行亮度变换、高斯模糊和类别均衡处理,形成了包含了中国全部7大类交通标志及其子类的交通初始数据集。然后利用基于候选区域+卷积特征的方法对VGG16,VGGCNNM1024和ZF三种深度卷积神经网络预训练模型进行微调训练,实现检测中国7大类交通标志的基本算法。实验分析了不同数据预处理和不同卷积网络的效果,选用ZF为最后的卷积网络模型,在初始测试数据集的检测精度为91%,在增加测试数据后,精度下降为84%。为解决基本的检测算法在泛化性能差的问题,结合图切技术对基本算法检测的交通标志进行精定位。利用目标包围框与真实包围框的交叠率（Intersection over Union,IoU）分析人工标定数据和精定位的交通标志信息的精度,得到了一种交通标志自动检测标定的方法。利用自动标定方法对视频进行分析,自动收集新的标志数据,构成新的标志数据集。利用新的数据集训练卷积网络,得到新的卷积网络模型,应用于交通标志检测,新的网络模型比初始网络模型的平均检测精度提升了 7.5%。在手机录制视频中出现的1057个交通标志中的1053个,检测率达到99.62%,验证了新模型的有效性。该标志收集一模型训练过程可以一直循环下去,直到训练的模型满足检测精度要求为止。