《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 標簽結合現(xiàn)實場景的交通標志分類檢測研究
標簽結合現(xiàn)實場景的交通標志分類檢測研究
2022年電子技術應用第3期
張 成，張瑞賓，王曙道
桂林航天工業(yè)學院 汽車與交通工程學院，廣西 桂林541004
摘要： 交通標志在車輛的安全行駛和自動駕駛中都有著大量的研究。由于交通標志的種類繁多且受各種因素的影響，交通標志的分類檢測也是一個具有挑戰(zhàn)的難題。為此，提出了一種標簽結合現(xiàn)實道路場景的交通標志分類檢測方法，該方法分為數(shù)據(jù)生成部分和目標檢測部分。實驗結果表明，利用該方法生成訓練數(shù)據(jù)，能夠有效地訓練深度卷積神經(jīng)網(wǎng)絡，實現(xiàn)現(xiàn)實場景交通標志的分類檢測，并且優(yōu)化的檢測模型相比文中提到的模型具有更小的體積和更快的速度。
中圖分類號： TP391
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211840
中文引用格式： 張成，張瑞賓，王曙道. 標簽結合現(xiàn)實場景的交通標志分類檢測研究[J].電子技術應用，2022，48(3)：27-31，36.
英文引用格式： Zhang Cheng，Zhang Ruibin，Wang Shudao. Research on classification and detection of traffic signs based on tags combined with real scenes[J]. Application of Electronic Technique，2022，48(3)：27-31，36.
Research on classification and detection of traffic signs based on tags combined with real scenes
Zhang Cheng，Zhang Ruibin，Wang Shudao
School of Automobile and Traffic Engineering，Guilin University of Aerospace Technology，Guilin 541004，China
Abstract： There are a lot of researches on traffic signs in the safe driving and automatic driving of vehicles. Due to the wide variety of traffic signs and the influence of various factors, the classification and detection of traffic signs is also a challenging problem. To this end, a traffic sign classification and detection method combining tags with real road scenes is proposed. The method is divided into a data generation part and a target detection part. Experimental results show that the use of this method to generate training data can effectively train deep convolutional neural networks to achieve classification and detection of traffic signs in real scenes, and the optimized detection model has a smaller size and faster speed than the model mentioned in the article.
Key words : traffic signs；automatic driving；data enhancement；DCNN；detection

0 引言

    在車輛安全和自動駕駛領域，交通標志的檢測有著很大的實用價值。真實的交通場景復雜多變，交通標志易受到光照、雨霧和遮擋等外在因素的影響。傳統(tǒng)的檢測算法根據(jù)交通標志的形狀、顏色等特點[1-6]，使用不同尺度大小的滑動窗口對待檢測圖片進行潛在目標區(qū)域提取，之后對潛在區(qū)域通過HOG(Histograms Of Oriented Gradient)[7]、Gabor[8]、Haar-like[9]等人工提取特征方法，結合支持向量機、BP(Back Propagation)神經(jīng)網(wǎng)絡、極限學習機和最近鄰算法等常用的機器學習算法完成分類的任務。這些方法若要完成細分類檢測問題，工作量巨大，且最后的效果也不盡理想。

    深度學習方法不同于前面的方法，它利用深度卷積神經(jīng)網(wǎng)絡完成特征提取，實現(xiàn)交通標志的檢測任務。目前常用方法可分為候選區(qū)域和邏輯回歸。候選區(qū)域的網(wǎng)絡(如RCNN(Region-Convolutional Neural Network)[10]、Faster R-CNN[11])先提取出候選的區(qū)域特征，之后根據(jù)候選區(qū)域的特征進行位置和類別的學習，這種方法突出了出色的檢測精度，犧牲了計算的時間和存儲資源；邏輯回歸的網(wǎng)絡(如YOLO(You Only Look Once)[12]、SSD(Single Shot Detector)[13])直接將預測邊界框的坐標和類別設置為回歸問題，提升了網(wǎng)絡的檢測速度，但是針對具體的任務網(wǎng)絡模型還需要進一步調整，且完成交通標志檢測的研究需要數(shù)據(jù)龐大的交通標志數(shù)據(jù)集。




本文詳細內容請下載：http://ihrv.cn/resource/share/2000003997。




作者信息：

張  成，張瑞賓，王曙道

(桂林航天工業(yè)學院 汽車與交通工程學院，廣西 桂林541004)




wd.jpg

此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。