基于卷积神经网络的交通信号灯实时识别方法研究

阅读量：

232

作者：

董晓玉

展开

摘要：

交通信号灯识别包括检测和状态识别,在智能交通系统中发挥重要作用,是自动驾驶汽车的重要感知模块.实际道路环境下交通信号灯种类多样,相较于车辆,行人等目标具有尺度小的特性,给识别增加了诸多困难.本文基于卷积神经网络提出了一种交通信号灯识别方法,该方法具备以下特点:能够检测远距离小尺度交通信号灯,能够识别多个类别交通信号灯,具备一定的交通信号灯跟踪能力.本文工作如下:在交通信号灯检测方面,本文基于YOLOv3算法,通过改进特征提取,调整特征融合方式及尺度,优化损失函数来提升交通信号灯的检测效果.首先,降低骨干网络的下采样倍率以增加小尺度目标的特征表达能力,并引入特征金字塔池化进行局部特征和全局特征的融合,增加了网络提取特征的表达能力,实验结果表明降低下采样倍率和特征金字塔池化能够带来mAP值2%左右的提升.其次,增加一组特征图构成双特征融合,促进高位置信息的浅层特征和高语义信息的深层特征有效融合,实验结果表明双特征融合能够带来mAP值4%左右的提升;同时,增大融合特征的大小有助于小尺度交通信号灯的检测.最后,引入GIoU作为检测任务的损失函数,相较于使用IoU或矩形框中心点坐标的均方误差,GIoU关注物体之间的不重叠程度,能够改进目标边界框的回归效果;此外,提出了矩形相似度结合GIoU作为新损失函数来提升边界框回归效果,实验表明新损失函数能够带来mAP值1%～2%的提升.为了满足自动驾驶感知模块实时性的要求,本文采取增减其检测头的数量,改变输入图像的分辨率和模型剪枝来做了加快模型计算速度的尝试,实验表明小型骨干网络也可以在较高输入分辨率和多个检测头下,在准确率和计算速度取得显著的成绩;同一算法采用的检测头个数越多,计算速度越慢,检测准确率越高;输入分辨率的增加也能够带来检测准确率的提升;剪枝能够大幅减少模型的参数量,FLOPs和计算速度,且下降程度随着剪枝率增加而增加,并且保证了准确率基本不变.本文针对物体检测算法的检出结果,通过形状和颜色约束的后处理算法对交通信号灯的状态进行判断.可以有效提升多种交通信号灯的识别准确率.此外,本文设计了一个简单的CNN分类模型,对其进行单独训练并将其加在物体检测算法的后面,CNN分类模型在自建的训练集和测试集都达到了99%以上的准确率.实验表明,在检测算法之后再进行状态判断,这种方式对于交通信号灯识别是有效的.为了稳定检测和识别结果,在交通信号灯跟踪方面,本文使用一个基于运动模型的方法来估计交通信号灯相对于车辆坐标系的运动,以此来预测下一帧图像中交通信号灯的位置,并使用一个神经网络来修正跟踪矩形框.该跟踪方法具有跟踪大于10个像素宽度交通信号灯的能力.图[35]表[7]参[58].

展开