论文部分内容阅读
随着人工智能技术的不断突破、交通网络的发展和汽车数量的与日俱增,通过计算机视觉算法服务于自动驾驶领域的交通标志检测与识别的需求也日益增加。交通标志检测与识别系统TSR作为自动驾驶辅助系统中的重要环节,与自动驾驶汽车的安全出行紧密相连,在指导车辆正确行驶、调节交通、提高道路通行能力、减少交通事故等方面发挥重要的作用。性能是TSR系统的核心,其中实时性和准确性是算法研究的重中之重。在真实场景中,自动驾驶汽车通过车身周围的摄像机采集的图像是高分辨率远景图像,目标所占的比例极小。考虑到汽车的高速行驶,系统的实时性是该系统能否应用于真实场景的关键。如果系统不能快速识别道路两侧的交通标志并反馈给驾驶员,则该系统不具有应用价值。传统的检测算法,鲁棒性不足、难以应付各种复杂场景。为解决传统方法的不足,并且针对当前目标检测算法实时性不高,对小目标检测效果较差等问题,本文提出了一系列改进,以应对各种困难与挑战,具体研究如下:(1)提出了一种改进的YOLOv3交通标志检测算法。该算法的优化主要有两点,其一是优化了损失函数,确保大目标和小目标对整个损失产生同等影响,以解决训练期间大目标的损失在总损失中占主导的问题。其二是精简特征抓取网络Darknet53,提高了检测速度。(2)提出了一种基于分块特征融合的SSD交通标志检测算法(B-SSD)。该算法针对小目标的难识别,首先在特征抓取阶段把浅层特征图分块再与主干网络融合,以保留部分小目标的位置信息。其次在预测阶段,对高维特征图使用反卷积再与低维特征融合,以获得兼具空间信息与语义信息的特征图,提高了检测精度。本文对目前主流的单阶段目标检测算法进行深入的研究和实验,在保证检测满足实时性的前提下,提升了检测效果。实验结果在中国交通标志检测数据集CCTSDB和德国交通标志检测数据集GTSDB上评估,相比于原来的算法,均取得了一定的提升。其中改进YOLOv3算法在CCTSDB数据集上平均精度均值mAP达到了89.84%,提高了0.55%;在GTSDB数据集上mAP达到84.67%,提高了1.19%,同时每秒检测帧数从33f/s提高到56f/s。B-SSD交通标志检测算法在CCTSDB数据集上mAP达到了91.07%,提高了4.79%;在GTSDB数据集上mAP达到了86.08%,提高了4.59%,每秒检测帧数为24f/s。实验结果表明,针对交通标志检测问题的难点,本文改进的两种检测算法在满足实时性的前提下均提高了检测精度,在真实场景中具有实用价值。