基于深度学习的交通信号灯快速检测与识别

论文摘要

交通信号灯检测与识别技术能够辅助司机做出正确的驾驶决策,减少交通事故的发生,为无人驾驶的实现提供安全保障。针对交通信号灯检测场景复杂多变、目标通常占检测数据集图片的比例极小等技术难点,提出了一种基于深度学习的交通信号灯快速检测与识别算法。整体框架包括如下3部分:基于启发式的图像预分割,用于缩小搜索范围,提升信号灯面板在输入图像中的相对大小和检测精度;基于深度学习的检测与识别,利用卷积神经网络准确地检测与识别信号灯;利用NMS（Non-Maximum Suppression）算法去除上一阶段中重复的检测框。提出的Split-CS-Yolo模型在LISA数据集上取得了96.08%的mAP和2.87%的漏检率,相比Yolo系列的其他方法,其不仅有更高的准确率和更低的漏检率,还将模型大小缩小到原始Yolov2的8.6%,使得检测速度提升了63%。

论文目录

• 1 引言
• 2 交通信号灯的识别与检测
•   2.1 图像预处理
•     2.1.1 数据集选择
•     2.1.2 预分割方法
•     2.1.3 数据增强
•   2.2 卷积神经网络的训练
•     2.2.1 特征提取网络结构设计
•     2.2.2 检测框预测
•     2.2.3 损失函数
•     2.2.4 超参数的选择与训练策略
•   2.3 去除重复检测框
• 3 实验结果与分析

文章来源

类型: 期刊论文

作者: 钱弘毅,王丽华,牟宏磊

关键词: 交通信号灯检测与识别,图像预分割,深度学习,快速检测

来源: 计算机科学 2019年12期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 汽车工业,计算机软件及计算机应用

单位: 北京航空航天大学软件学院,西北工业大学自动化学院

分类号: U463.6;TP391.41

页码: 272-278

总页数: 7

文件大小: 1792K

下载量: 662