基于卷积神经网络的交通信号灯实时识别方法研究.pdfVIP

安徽建筑大学硕士学位论文 摘要 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] 关键词：交通信号灯识别；卷积神经网络；特征融合；颜色和形状约束；运动模型 分类号：TP-391 - I - 安徽建筑大学硕士学位论文 Abstract Abstract Traffic light recognition which consists of detection and state recognition plays an important role in intelligent traffic system and is an important perception module of self-driving cars. In the actual road environment, there are various types of traffic lights, which are small in scale compared with vehicle