论文部分内容阅读
交通标志的检测与识别是智能交通系统领域中的重要研究方向之一，受到许多研究者的关注，但现有的研究主要集中在各类符号型交通标志的检测与识别上，对字符型交通标志的研究较少，且相关研究的检测精度与实时性不能满足实际需求。在实际的交通场景中字符型交通标志大量存在，以文字内容的形式提供丰富且重要的道路信息，这类文本信息的高效精准提取对于智能辅助驾驶系统、无人驾驶技术等具有重要作用。本文结合图像处理与深度学习最新技术，对自然场景下的交通标志文本检测问题开展研究具有重要意义。论文的主要工作与成果如下：
(1)优化了基于对比度受限的直方图均衡化图像增强方法，构建了一套字符型交通标志数据集。收集了自然场景下的字符型交通标志数据源，结合仿射变换进行了数据集样本的扩充，并对所有的图像进行统一划分与标注。构建数据集的过程中，为减少自然环境对检测效果的影响，优化了基于对比度受限的直方图均衡化的字符型交通标志图像增强算法。该方法通过改进局部直方图裁剪阈值以及调整颜色空间的选取方案，使其在突出字符型交通标志区域的同时，还能更好的保留文本细节，为字符型交通标志的检测研究提供高质量的样本数据。
(2)提出了一种基于深度学习图像语义分割技术的字符型交通标志检测算法，能够准确定位自然场景中的字符型交通标志。首先考虑到该阶段的检测速度问题，字符型交通标志检测模型采用一种结合轻量化网络分支与浅层网络分支的并行网络结构；其次结合深度可分离卷积与膨胀卷积，提出了轻量化的空间金字塔池化模块，采用多个膨胀卷积分支提取不同感受野的图像特征，以提高网络模型对字符型交通标志目标的感知能力；然后研究了不同分支的特征融合方式，引入了基于注意力机制的特征融合模块，使得不同分支的特征图能够进行自适应融合，从而提升网络的特征提取能力。实验结果表明，本文所提出的字符型交通标志检测算法能够适应于不同场景，且在保证较高的检测率的同时，能够较为完整地获取目标区域。
(3)设计了一种基于YOLOv3的文本检测算法，能够实现字符型交通标志区域的文本快速检测。首先针对字符型交通标志检测算法所定位的目标区域，采用了基于LSD-透视转换相结合的方式，以实现快速有效的区域矫正；其次分析了字符型交通标志区域的文本目标的尺寸分布规律，发现YOLOv3中所采用的目标建议框尺寸并不适用于交通标志文本检测，于是利用了K-means++聚类方法对目标建议框的设计进行了优化调整，得到适用于文本检测的改进YOLOv3算法。实验结果表明，本文所提出的基于改进YOLOv3的文本检测算法能够有效检测交通标志文本。
(1)优化了基于对比度受限的直方图均衡化图像增强方法，构建了一套字符型交通标志数据集。收集了自然场景下的字符型交通标志数据源，结合仿射变换进行了数据集样本的扩充，并对所有的图像进行统一划分与标注。构建数据集的过程中，为减少自然环境对检测效果的影响，优化了基于对比度受限的直方图均衡化的字符型交通标志图像增强算法。该方法通过改进局部直方图裁剪阈值以及调整颜色空间的选取方案，使其在突出字符型交通标志区域的同时，还能更好的保留文本细节，为字符型交通标志的检测研究提供高质量的样本数据。
(2)提出了一种基于深度学习图像语义分割技术的字符型交通标志检测算法，能够准确定位自然场景中的字符型交通标志。首先考虑到该阶段的检测速度问题，字符型交通标志检测模型采用一种结合轻量化网络分支与浅层网络分支的并行网络结构；其次结合深度可分离卷积与膨胀卷积，提出了轻量化的空间金字塔池化模块，采用多个膨胀卷积分支提取不同感受野的图像特征，以提高网络模型对字符型交通标志目标的感知能力；然后研究了不同分支的特征融合方式，引入了基于注意力机制的特征融合模块，使得不同分支的特征图能够进行自适应融合，从而提升网络的特征提取能力。实验结果表明，本文所提出的字符型交通标志检测算法能够适应于不同场景，且在保证较高的检测率的同时，能够较为完整地获取目标区域。
(3)设计了一种基于YOLOv3的文本检测算法，能够实现字符型交通标志区域的文本快速检测。首先针对字符型交通标志检测算法所定位的目标区域，采用了基于LSD-透视转换相结合的方式，以实现快速有效的区域矫正；其次分析了字符型交通标志区域的文本目标的尺寸分布规律，发现YOLOv3中所采用的目标建议框尺寸并不适用于交通标志文本检测，于是利用了K-means++聚类方法对目标建议框的设计进行了优化调整，得到适用于文本检测的改进YOLOv3算法。实验结果表明，本文所提出的基于改进YOLOv3的文本检测算法能够有效检测交通标志文本。