基于深度学习的多类交通标识检测研究
发布时间：2021-07-22 04:52
随着人工智能的迅猛发展与5G时代的到来,人们对汽车的安全性、智能性、操作性的要求不断提高,传统汽车的控制方式正在发生巨大的变革。人们试图在传统汽车行业的基础上开发辅助驾驶系统和无人驾驶汽车,通过计算机系统的控制可以实现辅助驾驶或者无人驾驶,以此来减轻驾驶员的精神负担,减少交通事故的发生,提高车辆行驶的安全性,将驾驶员从繁重的驾驶工作中解脱出来。无论是辅助驾驶亦或是自动驾驶汽车,都离不开驾驶室外部环境的检测。由于传统算法在检测交通标识时,人们通过手动提取交通标识的颜色、边缘、纹理等特征,致使该类方法检测速度慢、鲁棒性差,难以在复杂的真实交通场景中准确的检测出交通标识。为实现及时准确的检测交通标志、交通信号灯以及停止线等多类交通标识,本文提出了基于深度学习目标检测算法YOLO v3算法的多类交通标识检测算法T-YOLO与TM-YOLO。T-YOLO算法首先以Darknet-53卷积网络为基础,并且在Darknet-53网络的末端加入数个卷积层与3个上采样层组成特征提取网络,完成多类交通标识特征提取;其次,将三次上采样获得的原图像的16倍、8倍、4倍下采样特征图与Darknet-53提取的对...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
交通标志Fig.1.1Imageoftrafficsigns
不好，所以并没有引起注意。2017年，Behrendt等[24]提出一个完整的基于深度学习的交通信号灯检测、跟踪系统。该系统可以实现准确感知交通信号灯、车辆测距等功能，但是该系统检测速率较低，在1280*720的图像上，每秒检测速率为10郑2018年，王莹等[25]给出了一种基于YOLO模型的交通信号灯检测方法。该算法分别在MicrosoftCOCO数据集、Bosch数据集、自制数据集上进行了三次的迁移学习，在自制数据集上取得了96.3%的准确率，但对于交通信号的检测帧率仅为18FPS，不能满足在实际应用中尽可能实时检测的要求。图1.2交通信号灯Fig.1.2Imageoftrafficlight1.2.3道路停止线检测停止线是车道线中常见的一种白色实线（如图3），表示车辆必须减速让行。简单的特征也使得对停止线的检测存在着更大的挑战。首先，由于路面脏的缘故，停止线并不一定表现为纯白色；其次，由于拍摄位置与角度的限制使得采集到的原始图片中，停止线存在可能被遮挡、实际距离不确定与并不一定平行于上下边界等一系列问题。从查找的资料中发现，目前国内外专门针对停止线检测的研究较少。2008年，Nieto等[26]人基于透视变换的车道线检测算法。该算法首先对输入图像进行透视变化，估计其几a常见交通信号灯b实际场景中交通信号灯
停止线
【参考文献】：
期刊论文
[1]基于深度学习的交通信号灯检测及分类方法[J]. 王莹,丁鹏. 汽车实用技术. 2018(17)
[2]基于深度学习的道路交通标志数字识别技术探究[J]. 余进程,谢光汉,罗芳. 数字技术与应用. 2013(12)
[3]基于方向边缘匹配的人行横道与停止线检测[J]. 谢锦,蔡自兴,李昭,尤作. 计算机工程. 2013(06)
[4]基于视觉注意机制的交通标志检测[J]. 刘芳,邹琪. 计算机工程. 2013(02)
[5]应用圆形度和颜色直方图的交通信号灯识别[J]. 谷明琴,蔡自兴,李仪. 计算机工程与设计. 2012(01)
[6]一种基于视觉的车道线检测与跟踪算法[J]. 刘富强,张姗姗,朱文红,李志鹏. 同济大学学报(自然科学版). 2010(02)
[7]一种基于扫描线的车道线识别算法[J]. 李若皓,丁冬花. 微计算机信息. 2008(16)
硕士论文
[1]基于深度学习的交通标志检测算法研究[D]. 王聪.北方工业大学 2017
[2]视频交通灯识别和阴影消除方法及应用研究[D]. 谭乃强.湖南大学 2010
本文编号：3296473
【文章来源】：沈阳工业大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
交通标志Fig.1.1Imageoftrafficsigns
不好，所以并没有引起注意。2017年，Behrendt等[24]提出一个完整的基于深度学习的交通信号灯检测、跟踪系统。该系统可以实现准确感知交通信号灯、车辆测距等功能，但是该系统检测速率较低，在1280*720的图像上，每秒检测速率为10郑2018年，王莹等[25]给出了一种基于YOLO模型的交通信号灯检测方法。该算法分别在MicrosoftCOCO数据集、Bosch数据集、自制数据集上进行了三次的迁移学习，在自制数据集上取得了96.3%的准确率，但对于交通信号的检测帧率仅为18FPS，不能满足在实际应用中尽可能实时检测的要求。图1.2交通信号灯Fig.1.2Imageoftrafficlight1.2.3道路停止线检测停止线是车道线中常见的一种白色实线（如图3），表示车辆必须减速让行。简单的特征也使得对停止线的检测存在着更大的挑战。首先，由于路面脏的缘故，停止线并不一定表现为纯白色；其次，由于拍摄位置与角度的限制使得采集到的原始图片中，停止线存在可能被遮挡、实际距离不确定与并不一定平行于上下边界等一系列问题。从查找的资料中发现，目前国内外专门针对停止线检测的研究较少。2008年，Nieto等[26]人基于透视变换的车道线检测算法。该算法首先对输入图像进行透视变化，估计其几a常见交通信号灯b实际场景中交通信号灯
停止线
【参考文献】：
期刊论文
[1]基于深度学习的交通信号灯检测及分类方法[J]. 王莹,丁鹏. 汽车实用技术. 2018(17)
[2]基于深度学习的道路交通标志数字识别技术探究[J]. 余进程,谢光汉,罗芳. 数字技术与应用. 2013(12)
[3]基于方向边缘匹配的人行横道与停止线检测[J]. 谢锦,蔡自兴,李昭,尤作. 计算机工程. 2013(06)
[4]基于视觉注意机制的交通标志检测[J]. 刘芳,邹琪. 计算机工程. 2013(02)
[5]应用圆形度和颜色直方图的交通信号灯识别[J]. 谷明琴,蔡自兴,李仪. 计算机工程与设计. 2012(01)
[6]一种基于视觉的车道线检测与跟踪算法[J]. 刘富强,张姗姗,朱文红,李志鹏. 同济大学学报(自然科学版). 2010(02)
[7]一种基于扫描线的车道线识别算法[J]. 李若皓,丁冬花. 微计算机信息. 2008(16)
硕士论文
[1]基于深度学习的交通标志检测算法研究[D]. 王聪.北方工业大学 2017
[2]视频交通灯识别和阴影消除方法及应用研究[D]. 谭乃强.湖南大学 2010
本文编号：3296473
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3296473.html
