麻豆一区二区三区在线观看,久久久久成人网,人妻无码视频一区二区三区

标签结合现实场景的交通标志分类检测研究

2022年电子技术应用第3期

张成，张瑞宾，王曙道

桂林航天工业学院汽车与交通工程学院，广西桂林541004

摘要： 交通标志在车辆的安全行驶和自动驾驶中都有着大量的研究。由于交通标志的种类繁多且受各种因素的影响，交通标志的分类检测也是一个具有挑战的难题。为此，提出了一种标签结合现实道路场景的交通标志分类检测方法，该方法分为数据生成部分和目标检测部分。实验结果表明，利用该方法生成训练数据，能够有效地训练深度卷积神经网络，实现现实场景交通标志的分类检测，并且优化的检测模型相比文中提到的模型具有更小的体积和更快的速度。

關(guān)鍵詞： 交通标志自动驾驶数据增强深度卷积神经网络检测

中圖分類號： TP391
文獻(xiàn)標(biāo)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(biāo)簽結(jié)合現(xiàn)實(shí)場景的交通標(biāo)志分類檢測研究[J].電子技術(shù)應(yīng)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(lǐng)域，交通標(biāo)志的檢測有著很大的實(shí)用價(jià)值。真實(shí)的交通場景復(fù)雜多變，交通標(biāo)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(biāo)志的形狀、顏色等特點(diǎn)^[1-6]，使用不同尺度大小的滑動窗口對待檢測圖片進(jìn)行潛在目標(biāo)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(jié)合支持向量機(jī)、BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)和最近鄰算法等常用的機(jī)器學(xué)習(xí)算法完成分類的任務(wù)。這些方法若要完成細(xì)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(xué)習(xí)方法不同于前面的方法，它利用深度卷積神經(jīng)網(wǎng)絡(luò)完成特征提取，實(shí)現(xiàn)交通標(biāo)志的檢測任務(wù)。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(luò)(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(jìn)行位置和類別的學(xué)習(xí)，這種方法突出了出色的檢測精度，犧牲了計(jì)算的時(shí)間和存儲資源；邏輯回歸的網(wǎng)絡(luò)(如YOLO(You Only Look Once)^[12]、SSD(Single Shot Detector)^[13])直接將預(yù)測邊界框的坐標(biāo)和類別設(shè)置為回歸問題，提升了網(wǎng)絡(luò)的檢測速度，但是針對具體的任務(wù)網(wǎng)絡(luò)模型還需要進(jìn)一步調(diào)整，且完成交通標(biāo)志檢測的研究需要數(shù)據(jù)龐大的交通標(biāo)志數(shù)據(jù)集。

本文詳細(xì)內(nèi)容請下載：http://m.tom3567.com/resource/share/2000003997。

作者信息：

張成，張瑞賓，王曙道

(桂林航天工業(yè)學(xué)院汽車與交通工程學(xué)院，廣西桂林541004)

原創(chuàng)聲明：此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容