Rozpoznávanie dopravných značiek na základe algoritmu YOLOv3, časť 1

Abstrakt:

Detekcia dopravných značiek je základnou súčasťou inteligentného dopravného systému, pretože poskytuje kritické údaje o cestnej premávke pre rozhodovanie a kontrolu vozidiel.

So zrýchľovaním urbanizácie sa neustále zvyšuje počet obyvateľov a počet vozidiel a problémy, ako sú dopravné zápchy a bezpečnostné nehody, sú čoraz vážnejšie, čo prináša ľuďom do života a práce veľké nepohodlie a tlak. Vznik inteligentných dopravných systémov preto priniesol veľké pohodlie do našich životov a môže tiež zlepšiť bezpečnosť dopravy. Inteligentné dopravné systémy sú tiež neoddeliteľné od ľudskej pamäte.

Po prvé, inteligentné dopravné systémy môžu využívať špičkové prostriedky na zhromažďovanie a analýzu dopravných informácií a poskytovať ľuďom podrobné a presné dopravné podmienky, čo pomáha ľuďom uľahčiť cestovanie a vyhnúť sa časovým zdržaniam v dôsledku nepresných dopravných informácií, ako sú napríklad semafory. Pre vodičov môže inteligentný dopravný systém vykonávať analýzu a monitorovanie ich jazdných trás v reálnom čase, pripomínať vodičom, aby si počas mimoriadnych období rýchlo prispôsobili svoje jazdné trasy, a znižovať výskyt dopravných zápch, meškania atď. podporuje pozornosť vodiča, znižuje únavu počas jazdy a tým zvyšuje bezpečnosť jazdy.

Po druhé, inteligentný dopravný systém je možné prepojiť aj s mobilným telefónom vodiča, navigáciou vozidla a ďalšími systémami prostredníctvom technických prostriedkov, ako je internet vozidiel. Ľudia tak môžu kedykoľvek získať najnovšie dopravné informácie, poznať svoje aktuálne dopravné prostredie a rýchlo prispôsobiť svoje cestovné plány. Zároveň dokáže spolupracovať aj s bezpečnostnými riadiacimi a asistenčnými jazdnými systémami vozidla na zaistenie bezpečnej jazdy. Napríklad po tom, čo si vodiči osvoja jazdné trasy, dopravné informácie atď. poskytované inteligentným dopravným systémom, budú s vozidlom jazdiť sústredenejšie a stabilnejšie, neupadnú do zmätku v dôsledku náhlych zmien trás atď. byť schopný rýchlo konať v núdzových situáciách. reagovať.

Napokon, inteligentný dopravný systém môže tiež nastaviť zodpovedajúce pravidlá riadenia dopravy podľa rôznych situácií v mestskej premávke, aby sa zabezpečila bezpečná cesta vozidiel a chodcov a zabránilo sa dopravným nehodám. Napríklad zmena času a frekvencie semaforov na základe dopravných zápch, pripomenutie rýchlostného limitu na úsekoch ciest atď. umožňuje vodičom správne reagovať v zložitých podmienkach na ceste, a tým zabezpečiť plynulosť premávky. a bezpečnosť.

Stručne povedané, medzi inteligentnými dopravnými systémami a ľudskou pamäťou existuje úzke prepojenie. Inteligentné dopravné systémy nám môžu poskytnúť lepšie prostredie pri šoférovaní, znížiť záťaž ľudí pri šoférovaní, a tým zlepšiť pamäť ľudí. Rozvoj inteligentných dopravných systémov je nevyhnutným trendom pri výstavbe našich moderných miest. Je vidieť, že potrebujeme zlepšiť pamäť a Cistanche deserticola môže výrazne zlepšiť pamäť, pretože Cistanche deserticola je tradičný čínsky liečivý materiál, ktorý má mnoho jedinečných účinkov, jedným z nich je zlepšenie pamäte. Účinnosť mletého mäsa pochádza z rôznych aktívnych zložiek, ktoré obsahuje, vrátane kyselín, polysacharidov, flavonoidov atď. Tieto zložky môžu podporovať zdravie mozgu rôznymi spôsobmi.

Kliknite na spoznajte 10 spôsobov, ako zlepšiť pamäť

Na vyriešenie problémov malých dopravných značiek, nenápadných charakteristík a nízkej presnosti detekcie sa navrhuje metóda rozpoznávania dopravných značiek založená na vylepšenom (You Only Look Once v3) YOLOv3.

Štruktúra priestorového pyramídového združovania je začlenená do sieťovej štruktúry YOLOv3, aby sa dosiahlo spojenie miestnych funkcií a globálnych funkcií, a zavádza sa štvrtá stupnica predikcie funkcií s veľkosťou 152 × 152, aby sa naplno využili plytké funkcie v sieti na predpovedanie malých cieľov.

Okrem toho je regresia boundingboxu stabilnejšia, keď sa použije strata vzdialenosti IoU (DIoU), ktorá zohľadňuje vzdialenosť medzi cieľom a kotvou, mieru prekrývania a mierku.

12 kotiev množiny údajov o dopravných značkách Tsinghua–Tencent 100K (TT100K) sa prepočítava pomocou klastrovacieho algoritmu K-means, zatiaľ čo množina údajov je vyvážená a rozšírená, aby sa riešil problém nepárneho počtu cieľových tried v množine údajov TT100K.

Algoritmus sa porovnáva s YOLOv3 a inými bežne používanými algoritmami detekcie cieľa a výsledky ukazujú, že vylepšený algoritmus YOLOv3 dosahuje priemernú presnosť (mAP) 77,3 %, čo je o 8,4 % viac ako YOLOv3, najmä pri detekcii malých cieľov, kde je mAP zlepšila o 10,5 %, čím sa výrazne zlepšila presnosť detekčnej siete pri zachovaní čo najvyššieho výkonu v reálnom čase.

Presnosť detekčnej siete je podstatne zvýšená pri zachovaní maximálneho výkonu siete v reálnom čase.

Kľúčové slová:

Rozpoznávanie dopravných značiek; YOLOv3; priestorová pyramidálna združovacia štruktúra.

1. Úvod

V súčasnosti sú systémy automatizovaného riadenia a inteligentné dopravné systémy (ITS) hlavnými aplikáciami technológií na detekciu a identifikáciu dopravných značiek.

Vodičom a autonómnym vozidlám môže poskytnúť dôležité dopravné informácie, aby mohli rozhodovať podľa pravidiel cestnej premávky alebo včas upozorniť a usmerniť správanie vodičov, aby znížili počet dopravných nehôd.

Dopravné značky možno vo všeobecnosti rozdeliť do troch kategórií: smerové značky, výstražné značky a zákazové značky. Tieto značky majú okrúhly alebo trojuholníkový dizajn a sú červené, žlté a modré.

Klasické rozpoznávanie dopravných značiek preto zvyčajne využíva techniky strojového učenia na rozpoznávanie dopravných značiek alebo získavanie informácií, ako je farba a tvar z dopravných značiek.

Farebná segmentácia na extrakciu charakteristík pred klasifikáciou sa používa pri detekcii dopravných značiek na základe farieb, ktorá je ľahko ovplyvnená zmenami osvetlenia. Farebná segmentácia nie je ovplyvnená zmenami jasu, podľa predchádzajúcej literatúry [1] a využíva priestor HIS na skúmanie iba odtieňa a sýtosti.

Vzhľadom na vysoké požiadavky na rozpoznávanie farieb na premenné, ako je počasie a detekčná vzdialenosť, prístup detekcie založený na farebných vlastnostiach možno použiť na rozpoznávanie obrázkov s vysokým rozlíšením, ale nie na rozpoznávanie obrázkov v odtieňoch šedej [2].

V inej literatúre [3] bol navrhnutý prístup identifikácie dopravných značiek na základe tvaru na obrázkoch v odtieňoch šedej, ktorý transformuje detekciu trojuholníkových dopravných značiek na jednoduchú detekciu segmentov čiary, ktorá dokáže správne rozpoznať dopravné značky a nie je ovplyvnená vzdialenosťou.

V inej literatúre [4] bol navrhnutý systém na detekciu a rozpoznávanie dopravných značiek založený na podpornom vektore, ktorý využíva vlastnosť zovšeobecnenia lineárneho podporného vektorového stroja na prvé segmentovanie farby dopravných značiek a potom klasifikáciu formy.

Metóda samostatnej detekcie farebných a tvarových prvkov najprv vykoná segmentáciu farieb, aby sa získala oblasť záujmu, a ak oblasť záujmu nie je detegovaná, detekcia založená na tvare sa už nevykonáva; po druhé, segmentácia farieb vyžaduje nastavenie pevného prahu manuálne, čím je zisťovanie dopravných značiek komplikované a časovo náročné.

Na vyriešenie týchto problémov a zvýšenie výkonu detekcie použila jedna štúdia [5] rámec AdaBoost na simultánnu detekciu modelovania farieb a tvarov.

Zmeny vonkajších podmienok, ako je svetlo, zmena farby dopravných značiek atď., môžu ovplyvniť rozpoznávanie dopravných značiek na základe farieb a tvaru.

Vplyv detekcie je nestabilný, čo zhoršuje výkon systému rozpoznávania dopravných značiek a robí ho zraniteľným voči úniku dopravných značiek a falošnej detekcii. Neurónové siete sa používajú častejšie na zisťovanie cieľov s pokrokom v technológii hlbokého učenia; príklady týchto algoritmov zahŕňajú Faster R-CNN [6], SSD [7] a YOLO [8] atď., ktoré sú primárne rozdelené na jednostupňový a dvojstupňový prístup detekcie.

Predchádzajúca štúdia [9] prezentovala vylepšenú detekčnú sieť založenú na YOLOv1 na riešenie problémov nízkej presnosti a nízkej rýchlosti detekcie štandardných metód detekcie dopravných značiek.

Táto sieť zvýšila rýchlosť detekcie dopravných značiek a znížila hardvérové ​​požiadavky detekčného systému. Iná štúdia [10] navrhla prístup k detekcii dopravných značiek založený na vylepšenom FasterRCNN s 12,1 % zlepšením v mAP, čo úspešne riešilo problémy, ako je nízka účinnosť rozpoznávania a zvýšila presnosť detekcie a rozpoznávania dopravných značiek.

V [11] sa súbor údajov CCTSDB získal rozšírením súboru údajov o čínskych dopravných značkách (CTSD) a aktualizáciou informácií o značkách na základe vylepšeného algoritmu detekcie cieľa YOLOv2. Súbor údajov CCTSDB obsahoval iba tri kategórie dopravných značiek, čo je nedostatočné na splnenie náročnej úlohy rozpoznávania dopravných značiek.

Súbor údajov TT100K [12], vytvorený Tsinghua University a Tencent v spolupráci, bol extrahovaný z čínskej panorámy Street View a pokrýva široký rozsah svetelných a poveternostných podmienok, vďaka čomu je viac reprezentatívny pre skutočné prostredie jazdy. Štúdia [13] použila DenseNet namiesto ResNet v chrbticovej sieti YOLOv3 a experimentálne ho overil na dátovom súbore TT100K.

Algoritmus zlepšuje výkon detekčného modelu v reálnom čase, ale presnosť a vybavovanie majú tendenciu byť nízke, pokiaľ ide o malé ciele, ako sú dopravné značky, čo znamená vážne nesprávne zistenie.

Úloha detekcie je často náročnejšia v úlohách detekcie cieľov, pretože cieľ, ktorý sa má zistiť, je zvyčajne veľký a jeho vlastnosti sa dajú ľahko extrahovať.

Vďaka štruktúre FPN, ktorú YOLOv3 predstavuje, je teraz schopný detegovať ciele v rôznych mierkach pomocou fúzie funkcií vo viacerých mierkach, ktorá je vhodná pre komplikované dopravné scény a ukázala určitý prísľub pri detekcii malých cieľov. Stále však existuje priestor na zlepšenie v obrázkoch s vysokým rozlíšením dátového súboru dopravných značiek TT100K.

Záverom možno povedať, že prístup založený na neurónovej sieti môže úspešne riešiť problémy s nízkou účinnosťou rozpoznávania, zmeškanou detekciou a falošnou detekciou a zároveň zvýšiť presnosť detekcie a rozpoznávania dopravných značiek.

Metódy založené na neurónových sieťach majú lepšiu presnosť alebo rýchlejšiu detekciu ako tradičné metódy, ale nedokážu dosiahnuť rýchlosť detekcie aj presnosť detekcie. Okrem toho väčšina detekcie dopravných značiek využíva nemeckú množinu údajov o dopravných značkách (GTSDB) a dopravné značky v Nemecku sa líšia od značiek v Číne; v Číne existuje menej štúdií o detekcii a rozpoznávaní dopravných značiek.

Preto, aby sa vyriešili problémy vo vyššie uvedených metódach, tento dokument používa súbor údajov TT100K na trénovanie a detekciu čínskych dopravných značiek a na zlepšenie a úpravu siete YOLOv3, najmä s nasledujúcimi vylepšeniami:

(1) Pridajte do štruktúry siete YOLOv3 štvrtú škálu predikcie funkcií s veľkosťou 152 × 152, aby ste naplno využili výhody plytkých funkcií v sieti na predvídanie malých cieľov. Aby sa dosiahlo spojenie lokálnych a globálnych prvkov, štruktúra priestorového pyramídového združovania sa spája.

(2) Vzdialenosť medzi cieľom a kotvou, miera prekrývania a mierka sa berú do úvahy pri použití straty DIoU pre rýchlejšiu konvergenciu a konzistentnejšiu regresiu cieľového rámca. Vďaka tomu je regresia cieľového rámca stabilnejšia.

(3) Väčšina dopravných značiek v súbore údajov TT100K sú malé a stredne veľké ciele, len s niekoľkými veľkými cieľmi.

V dôsledku toho nie je možné použiť pôvodnú kotvu. Algoritmus klastrovania K-means sa používa na prepočítanie 12 kotiev pre súbor údajov TT100K a stratégia rozšírenia údajov sa používa na vyváženie a zvýšenie nevyváženého počtu cieľových kategórií súboru údajov.

For more information:1950477648nn@gmail.com