论文部分内容阅读
随着全球经济的快速增长,汽车保有量也在逐年增加,交通拥堵和交通事故的发生频率也随之升高。为了解决交通问题,各国学者都在积极研究智能交通系统,交通标志的识别与检测是智能交通系统的重要研究内容之一。该领域的技术主要面临识别精度低和成本高等问题,深度学习中卷积神经网络技术可以为精度提高提供技术支持。因此如何在保持高识别率的情况下,降低设备使用成本是本研究的重点。通过在提升精度及网络轻量化方面展开研究,本研究为无人驾驶在交通标志的识别与检测方向的发展提供了新思路。交通标志在调节交通、促进谨慎驾驶方面起着至关重要的作用,自动交通标志识别是自动驾驶的关键技术之一。交通标志分类的准确性在车辆导航系统性能评价中是一个非常重要的指标。本文研究了提高交通标志检测精度、降低误检率的方法,在轻量化方面对现有的识别网络框架进行改进。主要工作包括:1、提出了改进深度相互学习网络,针对网络体积庞大、在移动端难部署的问题,通过使用小体积特征提取网络及简单的分类器,实现网络的轻量化;通过使用损失超参数,提高模型的收敛速度。在德国交通标志识别数据集上实现了识别精度为98.98%的轻量化网络,相比于改进前,精度提升了2.25%。2、提出了改进VGG网络的交通标志识别方法,针对交通标志识别精度不高的问题,通过使用通道注意力模块,有针对性的提取图像中的重要特征,提高交通标志的识别性能。在德国交通标志识别数据集上实现了98.46%的识别精度,相比于改进前,精度提升了1.67%。3、提出改进Shuffle Net网络的交通标志识别方法,针对现有模型高计算成本的问题,通过使用通道剪枝减小模型,降低运行时的内存占用。在德国交通标志识别数据集上的识别结果显示:经过剪枝,FLOPs降低6倍,params降低8倍,同时实现了96.68%的识别性能,相比于剪枝前,精度提升了0.81%。4、提出了改进YOLOv3的交通标志检测网络,针对交通标志检测误检率较高的问题,通过改进特征提取网络,提高特征提取性能;通过引入新的检测框定位损失,降低检测模型的误检率。在德国交通标志检测数据集上的检测结果显示:改进后模型的Precision值提升了21.1%,Recall提升了6.2%,m AP[0.5]提升了6.5%,m AP[0.5:0.95]提升了8.4%。