论文部分内容阅读
交通信号灯识别技术是驾驶员辅助系统的重要组成部分,不仅能够辅助驾驶者正确识别交通信号灯,有效减少交通事故发生,还可以为无人驾驶提供安全技术保障,加快智慧城市的发展步伐。然而,现有的交通灯识别算法依旧存在以下问题:(1)现有的算法大多只对白天情况下的交通信号进行检测,夜晚情况下信号灯的检测性能不佳。(2)现有的方法容易将车尾灯,行人灯,路灯检测为信号灯,无法有效的减少误识别(3)现有的基于传统卷积神经网络的模型对小目标的识别能力差,对信号灯的识别准确率有待提升。针对上述不足,本文提出一种基于深度学习的交通信号灯识别方法。该方法包含候选区域提取和交通信号灯识别两个部分。本文先利用简单有效的图像处理方法来提取驾驶场景中的交通灯候选区域,然后提出了 DA-Faster R-CNN算法对候选区域中的交通灯进一步检测识别。(1)交通信号灯候选区域提取部分:从白天和晚上的交通信号灯的差异性出发,提出了白天和晚上不同的候选区域提取方法。首先通过计算图像平均亮度快速对图像进行昼夜判别,白天情况下的交通信号灯黑色矩形背板特征明显,可通过基于灰度阈值分割与形态滤波方法来检测图像中的矩形区域作为交通灯候选区域;夜晚情况下交通灯颜色特征更为明显且灯光偏白,使用基于RGB空间的颜色分割算法来提取图像中红色、黄色、绿色和白色区域作为信号灯候选区域。(2)交通信号灯识别部分:针对传统Faster R-CNN模型对小目标的识别能力不足的问题,本文提出一个Detail Attention Faster R-CNN(DAFaster R-CNN)网络来提高交通信号灯识别的准确率,其贡献在于以下三点:1、利用改进的ResNext网络替代VGG作为网络骨干以提高神经网络浅层特征层对细节信息提取能力。2、引入特征融合模块,将从基础网络中输出的两个不同尺度特征层的信息进行融合以产生一个新的高级语义特征层,提高了小型目标的检测性能。3、空洞卷积被应用到高级语义特征层。空洞卷积可在不做池化损失信息的情况下,加大了感受野,让每个卷积输出都包含较大范围的信息。本文在两个不同的数据集上对提出的算法进行了综合实验。实验结果表明,本文提出的交通信号灯识别算法可以适应白天和夜晚两种不同的情况,能够有效的提高交通信号灯识别的准确率。此外,该算法满足实时性要求,优于其他算法。