基于深度学习的交通标志检测识别与跟踪及应用研究
作者单位：长安大学
学位级别：硕士
导师姓名：李良敏
授予年度：2023年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程]
摘 要：道路交通标志检测和识别的结果是高级驾驶辅助系统及无人驾驶系统安全稳定运行的重要决策依据。但是在实际应用过程中,道路情况复杂且存在诸多不稳定因素,由于道路交通标志牌处在室外环境中,容易受光照条件、雨雾天气等因素的影响,以及易被环境中其他相似建筑物干扰。此外,车载摄像头采集到的视频中,交通标志牌占据的范围较小,且车载摄像头随车辆时刻处在运动过程中,将会因为拍摄角度和距离、对焦问题和摄像头抖动等原因,导致获取的视频中存在模糊不清、形变等问题,这些都对道路交通标志的检测带来了巨大挑战。因此,在实际道路场景下的交通标志检测和识别的研究具有重要意义。本论文依托陕西省秦创原“科学家+工程师队伍建设项目。(2022KXJ-021)根据道路交通标志在图像中所占范围较小、种类复杂多样且分布不均衡以及在实际应用中遇到的问题,本文以我国城镇道路上常见的72类交通标志作为检测对象,提出了一种改进的YOLOv5s网络模型,并将其与StrongSORT多目标跟踪算法融合,实现了在保证高实时性的同时,具有高精度的道路交通标志检测和跟踪方法。本文的主要工作内容如下:(1)数据集扩增。本文使用的原始TT100K数据集各类别数量不均衡,针对此问题,使用数据增强算法,对于数据集中实例数量较少的交通标志类别进行扩增,将原始数据集6105张图像扩增至14945张,提高了各交通标志实例分布的均衡性,使网络模型充分学习目标特征,从而实现提高网络模型检测精度的目的。(2)改进YOLOv5s网络模型。道路交通标志在图像中所占范围较小而导致模型检测准确度低,为了解决此问题,本文通过四个方面对标准YOLOv5s网络模型进行改进,首先采用改进的K-means++锚框聚类算法对数据集重新聚类获得更加准确的初始候选框;其次改进网络模型的多尺度特征融合模块,提升模型对小目标的检测能力;然后提出了混合空间金字塔池化H-SPPF模块,提取更加丰富的上下文信息;最后引入通道注意力机制,进一步加强了模型对于道路交通标志目标的提取能力。将改进前后的模型分别在本文扩增后的数据集上和开源数据集上进行了实验分析对比,在本文扩增后的数据集上的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别提升了1.71%、8.09%、6.0%和4.28%,验证了本文所提出的改进策略的有效性。(3)改进的YOLOv5s与StrongSORT多目标跟踪算法融合。在真实行车环境下,摄像头会随车辆运动而时刻运动,存在运动模糊现象,同时也会出现随车身晃动而抖动的现象,导致出现道路交通标志的误检和漏检。针对以上问题,本文将改进的YOLOv5s与StrongSORT融合来对道路交通标志进行检测与跟踪,降低了视频检测中的误检率和漏检率,提高了检测算法的鲁棒性和稳定性。(4)利用改进的算法检测到的道路交通标志信息,设计了一种驾驶安全辅助方法,包括车速预警安全系统和道路盲点信息预警系统。通过本文的实验对比表明:(1)合理的数据集样本均衡化处理,有助于帮助提高模型的检测精度;(2)通过改进YOLOv5s的网络结构,可以在不牺牲检测效率的条件下,提高交通标志检测的准确性;(3)改进的YOLOv5s检测算法与StrongSORT算法融合,提高了算法在视频检测和跟踪中的稳定性和抗干扰能力。(4)提出的基于道路交通标志信息的驾驶安全辅助方法能够为驾驶员提供一定程度的驾驶辅助,从而提升车辆的驾驶安全性能。
同方学位论文库