基于深度学习的交通标志检测技术研究
发布时间：2022-01-06 20:50
随着经济的不断发展,人们生活水平的不断提高,汽车作为日常生活和生产中的重要交通工具得到了广泛的普及,我国的汽车保有量不断提升。为了应对和缓解因汽车数量激增而带来的一些列交通问题,包含先进辅助驾驶系统、自适应巡航控制系统等一些列先进应用系统的智能交通系统应运而生。交通标志检测与识别作为上述系统的重要组成部分,是计算机视觉、图像处理、机器学习在智能交通领域的重要研究方向之一。近年来,由于深度学习在计算机视觉领域的火爆,基于深度学习的交通标志检测和识别研究也越来越受关注。在现实的行车场景下,交通环境的复杂性和不确定性导致交通标志的实时检测是一个极具挑战性的任务,因此一个优秀的交通标志检测系统既要有较高的检测精度,又要有较快的检测速度。本文以基于深度学习的通用目标检测框架针对交通标志牌检测与识别问题进行研究,将国内城镇、郊区、高速等道路场景常见的危险标志、禁止标志和强制标志三大交通标志类型作为研究对象,使用Tensorflow深度学习框架进行算法实现。本文针对交通标志小目标的检测,通过分析SSD对小目标检测效果较差的原因,提出改进模型使用特征融合的方法生成新的检测特征图,并去除最后的两个检测特...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－１?Ｒ－ＣＮＮ系列算法流程概括图??如上图所示，该类算法的执行过程是通过某一种候选区域提取机制选择候??
第２章基于深度学习的交通标志检测算法研究??离较近或太小的情况下效果一般，需要在检测精度和检测速度上进行权衡。单??阶段目标检测算法思路流程概括如下图２－２所示。??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■ＩＩＩ?■■■■■??Ｉ?Ｃｌａｓｓｅｓ??＿?■?＇。土??觀图层??图２－２单阶段目标检测算法流概括图??图２＿２中可以看出在单阶段目标检测算法执行过程中将图像输入进特征提??取网络后直接在特征图层上进行回归处理得到检测目标的位置和种类信息，相??较于两阶段目标检测算法需要提取感兴趣候选区域后再进行分类回归，直接在??一个步骤中完成检测，大大提高了模型的检测速度。但是，如图中所示目标物??特征提取越充分的图层位置越靠后，而靠后特征图层的小目标却不显著，导致??小目标的检测效果并不理想。??２．１．３?ＣＣＴＳＤＢ数据集介绍??以前大多数交通标志检测算法的研究是基于德国交通标志检测基准??（ＧＴＳＤＢ）［３９］。ＧＴＳＤＢ将交通标志牌分为三类：强制标志、危险标志和禁止标??志，其中包含了不同照明条件下各类道路的自然交通场景。数据集由９００张大??小为１３６０ｘ８００像素的图像组成。实验分为６００张图像（８４６个标志）的训练集和??３００张图像（３６０个标志）的测试集。??为了对中国交通标志检测进行研宄，选取了?ＣＣＴＳＤＢ数据集用于本章节模??型的训练一一ＣＣＴＳＤＢ数据集是由长沙理工大学的张建明老师团队制作并开??源［４０］。与ＧＴＳＤＢ相似，ＣＣＴＳＤＢ同样将中国交通标志分为三类，共有１５７２３??张图片，包括不同类型的道路（公路、街道、农村和城
山东大学硕士学位论文??图片数量（１０２４ｘ７６８、１２８〇ｘ７２０、９１２ｘ６８４、５１３ｘ９９９、６４１ｘ９３６、４５７ｘ８８９、８５２ｘ５３８、??１０２２ｘ５０４、７５９ｘ４９７）占３３％。交通标志种类牌示例如图２－３所示。??．．．??强制标志??危险标志??？？＠？？??禁止标韦??图２－３交通标志种类牌示例??由于开源ＣＣＴＳＤＢ数据集并没有划分训练集和测试集，本章节将１２５１６张图??片作为训练数据集，１０００张均匀抽取的图片作为测试集。训练数据集和测试数据??集交通标志的种类和数量划分如表２－１所示。??表２－１数据集划分情况??训练集?测试集??标志种类????图片数量?标志数量?图片数量?标志数量??危险标志?３１３８?３５６９?２３９?２８３??禁止标志?６５６９?９５０３?５３４?７３４??强制标志?４６４４?６０６４?３４５?４５４??总计?１２５１６?１９１３６?１０００?１４７１??在自然道路场景中，交通标志的检测往往是对小目标的检测。在目标检测??算法中，定义小目标有两种方式，一种是相对大小，例如图像中检测目标像素??的长度和宽度小于原始图像大小的０．１，可以认为是小目标；另一个是绝对大小??的定义，小于３２＊３２像素的对象可以认为是小目标。在本章所用ＣＣＴＳＤＢ数据??集中１３５１６张图像的ｇｒｏｕｎｄ?ｔｒｕｔｈ的相对大小如图２－４所示。??１０??
【参考文献】：
期刊论文
[1]基于国家车辆事故深度调查体系的道路交通事故驾驶员人因分析[J]. 高红丽,邓昌俊,王文迪,范双双. 科学技术与工程. 2019(19)
[2]复杂光照条件下交通标志牌检测[J]. 李文举,陈奇,董天祯,陆云帆,韦丽华. 中国科技论文. 2018(02)
[3]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[4]基于颜色和形状的道路交通标志检测[J]. 谭兵,高歌,陈心睿. 现代商贸工业. 2017(13)
[5]基于颜色空间和模板匹配的交通标志检测方法[J]. 郝博闻,梁宇峰,李文强,倪钰婷,温斯傲,刘展宁. 智能计算机与应用. 2016(04)
[6]基于视觉认知的禁令交通标志检测[J]. 胡晓光,程承旗,李德仁. 北京大学学报(自然科学版). 2015(06)
[7]基于高斯颜色模型和SVM的交通标志检测[J]. 常发亮,黄翠,刘成云,赵永国,马传峰. 仪器仪表学报. 2014(01)
本文编号：3573149
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－１?Ｒ－ＣＮＮ系列算法流程概括图??如上图所示，该类算法的执行过程是通过某一种候选区域提取机制选择候??
第２章基于深度学习的交通标志检测算法研究??离较近或太小的情况下效果一般，需要在检测精度和检测速度上进行权衡。单??阶段目标检测算法思路流程概括如下图２－２所示。??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■■■■?■■■■■??■?■ＩＩＩ?■■■■■??Ｉ?Ｃｌａｓｓｅｓ??＿?■?＇。土??觀图层??图２－２单阶段目标检测算法流概括图??图２＿２中可以看出在单阶段目标检测算法执行过程中将图像输入进特征提??取网络后直接在特征图层上进行回归处理得到检测目标的位置和种类信息，相??较于两阶段目标检测算法需要提取感兴趣候选区域后再进行分类回归，直接在??一个步骤中完成检测，大大提高了模型的检测速度。但是，如图中所示目标物??特征提取越充分的图层位置越靠后，而靠后特征图层的小目标却不显著，导致??小目标的检测效果并不理想。??２．１．３?ＣＣＴＳＤＢ数据集介绍??以前大多数交通标志检测算法的研究是基于德国交通标志检测基准??（ＧＴＳＤＢ）［３９］。ＧＴＳＤＢ将交通标志牌分为三类：强制标志、危险标志和禁止标??志，其中包含了不同照明条件下各类道路的自然交通场景。数据集由９００张大??小为１３６０ｘ８００像素的图像组成。实验分为６００张图像（８４６个标志）的训练集和??３００张图像（３６０个标志）的测试集。??为了对中国交通标志检测进行研宄，选取了?ＣＣＴＳＤＢ数据集用于本章节模??型的训练一一ＣＣＴＳＤＢ数据集是由长沙理工大学的张建明老师团队制作并开??源［４０］。与ＧＴＳＤＢ相似，ＣＣＴＳＤＢ同样将中国交通标志分为三类，共有１５７２３??张图片，包括不同类型的道路（公路、街道、农村和城
山东大学硕士学位论文??图片数量（１０２４ｘ７６８、１２８〇ｘ７２０、９１２ｘ６８４、５１３ｘ９９９、６４１ｘ９３６、４５７ｘ８８９、８５２ｘ５３８、??１０２２ｘ５０４、７５９ｘ４９７）占３３％。交通标志种类牌示例如图２－３所示。??．．．??强制标志??危险标志??？？＠？？??禁止标韦??图２－３交通标志种类牌示例??由于开源ＣＣＴＳＤＢ数据集并没有划分训练集和测试集，本章节将１２５１６张图??片作为训练数据集，１０００张均匀抽取的图片作为测试集。训练数据集和测试数据??集交通标志的种类和数量划分如表２－１所示。??表２－１数据集划分情况??训练集?测试集??标志种类????图片数量?标志数量?图片数量?标志数量??危险标志?３１３８?３５６９?２３９?２８３??禁止标志?６５６９?９５０３?５３４?７３４??强制标志?４６４４?６０６４?３４５?４５４??总计?１２５１６?１９１３６?１０００?１４７１??在自然道路场景中，交通标志的检测往往是对小目标的检测。在目标检测??算法中，定义小目标有两种方式，一种是相对大小，例如图像中检测目标像素??的长度和宽度小于原始图像大小的０．１，可以认为是小目标；另一个是绝对大小??的定义，小于３２＊３２像素的对象可以认为是小目标。在本章所用ＣＣＴＳＤＢ数据??集中１３５１６张图像的ｇｒｏｕｎｄ?ｔｒｕｔｈ的相对大小如图２－４所示。??１０??
【参考文献】：
期刊论文
[1]基于国家车辆事故深度调查体系的道路交通事故驾驶员人因分析[J]. 高红丽,邓昌俊,王文迪,范双双. 科学技术与工程. 2019(19)
[2]复杂光照条件下交通标志牌检测[J]. 李文举,陈奇,董天祯,陆云帆,韦丽华. 中国科技论文. 2018(02)
[3]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[4]基于颜色和形状的道路交通标志检测[J]. 谭兵,高歌,陈心睿. 现代商贸工业. 2017(13)
[5]基于颜色空间和模板匹配的交通标志检测方法[J]. 郝博闻,梁宇峰,李文强,倪钰婷,温斯傲,刘展宁. 智能计算机与应用. 2016(04)
[6]基于视觉认知的禁令交通标志检测[J]. 胡晓光,程承旗,李德仁. 北京大学学报(自然科学版). 2015(06)
[7]基于高斯颜色模型和SVM的交通标志检测[J]. 常发亮,黄翠,刘成云,赵永国,马传峰. 仪器仪表学报. 2014(01)
本文编号：3573149
本文链接：https://www.wllwen.com/kejilunwen/qiche/3573149.html
