Препознавање саобраћајних знакова засновано на ИОЛОв3 алгоритму 1. део

Апстрактан:

Детекција саобраћајних знакова је суштинска компонента интелигентног транспортног система јер обезбеђује критичне податке о друмском саобраћају за доношење одлука и контролу возила.

Како се урбанизација убрзава, становништво и број возила настављају да се повећавају, а проблеми као што су саобраћајне гужве и безбедносне незгоде постају све озбиљнији, доносећи велике непријатности и притисак у живот и рад људи. Стога је појава интелигентних транспортних система донела велике погодности у наше животе и такође може побољшати безбедност саобраћаја. Интелигентни транспортни системи су такође неодвојиви од људског памћења.

Пре свега, интелигентни транспортни системи могу користити високотехнолошка средства за прикупљање и анализу саобраћајних информација и пружање људима детаљних и тачних услова у саобраћају, што помаже људима да олакшају путовање и избегну временска кашњења због нетачних саобраћајних информација као што су семафори. За возаче, интелигентни транспортни систем може да спроведе анализу и праћење рута вожње у реалном времену, да подсети возаче да благовремено прилагоде своје руте вожње у посебним периодима и да смањи појаву гужви, кашњења итд. На овај начин такође помаже пажњи возача, смањује умор током вожње и тиме побољшава безбедност вожње.

Друго, интелигентни транспортни систем се такође може повезати са мобилним телефоном возача, навигацијом возила и другим системима преко техничких средстава као што је Интернет возила. На овај начин људи могу да добију најновије информације о саобраћају у било ком тренутку, знају своје тренутно саобраћајно окружење и брзо прилагођавају своје планове путовања. Истовремено, он такође може да сарађује са системима за контролу безбедности возила и системима за помоћ при вожњи како би осигурао безбедну вожњу. На пример, након што возачи савладају руте вожње, информације о саобраћају итд. које им пружа интелигентни транспортни систем, возиће возило фокусираније и стабилније, неће пасти у забуну због наглих промена рута итд., а такође ће бити у стању да брзо реагује у хитним случајевима. реаговати.

Коначно, интелигентни транспортни систем такође може поставити одговарајућа правила управљања саобраћајем у складу са различитим урбаним саобраћајним ситуацијама како би се обезбедило безбедно путовање возила и пешака и избегле саобраћајне незгоде. На пример, промена времена и фреквенције семафора на основу саобраћајних гужви, подсетника о ограничењу брзине на деоницама пута, итд., омогућавају возачима да правилно реагују када наиђу на сложене услове на путу, чиме се обезбеђује несметано одвијање саобраћаја. и безбедност.

Укратко, постоји блиска веза између интелигентних транспортних система и људске меморије. Интелигентни транспортни системи могу да нам обезбеде боље окружење за вожњу, смање оптерећење људи током вожње и на тај начин побољшају памћење људи. Развој интелигентних транспортних система је неизбежан тренд у изградњи наших модерних градова. Види се да морамо побољшати памћење, а цистанцхе десертицола може значајно побољшати памћење јер је цистанцхе десертицола традиционални кинески медицински материјал који има много јединствених ефеката, од којих је једно побољшање памћења. Ефикасност млевеног меса потиче од различитих активних састојака које садржи, укључујући киселину, полисахариде, флавоноиде, итд. Ови састојци могу да унапреде здравље мозга на различите начине.

Кликните на сазнајте 10 начина за побољшање меморије

Да би се решили изазови малих саобраћајних знакова, неупадљивих карактеристика и ниске тачности детекције, предложена је метода препознавања саобраћајних знакова заснована на побољшаном (Иоу Онли Лоок Онце в3) ИОЛОв3.

Структура просторног пирамидалног скупљања је спојена са мрежном структуром ИОЛОв3 да би се постигла фузија локалних карактеристика и глобалних карактеристика, а четврта скала предвиђања карактеристика величине 152 × 152 је уведена да би се плитке карактеристике у мрежи на најбољи начин искористиле за предвиђање малих циљева.

Штавише, регресија граничне кутије је стабилнија када се користи губитак на удаљености од ИоУ (ДИоУ), који узима у обзир растојање између циља и сидра, стопу преклапања и скалу.

Тсингхуа–Тенцент 100К(ТТ100К) скуп података о саобраћајним знаковима се поново израчунава коришћењем алгоритма за груписање К-меанс, док је скуп података уравнотежен и проширен како би се решио проблем непарног броја циљних класа у скупу података ТТ100К.

Алгоритам је упоређен са ИОЛОв3 и другим најчешће коришћеним алгоритмима за детекцију циљева, а резултати показују да побољшани ИОЛОв3 алгоритам постиже просечну просечну прецизност (мАП) од 77,3%, што је 8,4% више од ИОЛОв3, посебно код мале детекције циљева, где је мАП побољшан за 10,5%, што је увелико побољшало прецизност мреже за откривање док је перформансе у реалном времену што је могуће веће.

Тачност мреже за детекцију је значајно побољшана, док перформансе мреже у реалном времену одржавају што је могуће више.

Кључне речи:

Препознавање саобраћајних знакова; ИОЛОв3; просторна пирамидална обједињујућа структура.

1. Представљање

Тренутно, аутоматизована вожња и интелигентни транспортни системи (ИТС) су главне апликације за детекцију саобраћајних знакова и технологије идентификације.

Он може дати возачима и аутономним возилима кључне информације о саобраћају, тако да потоњи могу да донесу пресуде према прописима на путу или да упозоравају и усмеравају понашање возача на време како би смањили саобраћајне незгоде.

Саобраћајни знакови се могу широко подијелити у три категорије: знакови смјера, знакови упозорења и знакови забране. Ови знакови су округлог или троугластог дизајна, црвене, жуте и плаве.

Стога, класично препознавање саобраћајних знакова обично користи технике машинског учења за препознавање саобраћајних знакова или издвајање информација као што су боја и облик из саобраћајних знакова.

Сегментација боја за издвајање карактеристика пре идентификације класификације се користи у детекцији саобраћајних знакова заснованој на бојама, на коју лако утичу варијације осветљења. На сегментацију боја не утичу варијације светлине, према претходној литератури [1], и користи ХИС простор да испита само нијансу и засићеност.

Због високих захтева за препознавање боја на променљиве као што су временске прилике и даљина детекције, приступ детекције заснован на карактеристикама боја може се користити за препознавање слике високе дефиниције, али не и за препознавање слике у сивим тоновима [2].

Приступ идентификацији саобраћајних знакова заснован на облику на сликама у нијансама сиве је предложен у другој литератури [3], који трансформише детекцију троуглова саобраћајних знакова у једноставну детекцију сегмента линије, која може правилно препознати саобраћајне знакове и на коју удаљеност не утиче.

Систем за детекцију и препознавање саобраћајних знакова заснован на векторима подршке је предложен у другој литератури [4], који користи својство генерализације машине линеарних вектора подршке да прво сегментира боју саобраћајних знакова, а затим класификује форму.

Метода одвојеног откривања карактеристика боје и облика прво врши сегментацију боја да би се добила област од интереса, а ако регион од интереса није откривен, детекција заснована на облику се више не врши; друго, сегментација боја захтева да се постави фиксни праг ручно, чинећи откривање саобраћајних знакова компликованим и дуготрајним.

Да би се решили ови проблеми и повећале перформансе детекције, једна студија [5] је користила АдаБоост оквир за обављање симултане детекције моделирања боја и облика.

Промене спољашњих услова, као што су светлост, промене боје саобраћајних знакова и тако даље, могу утицати на детекцију саобраћајних знакова на основу боја и облика.

Утицај детекције је нестабилан, нарушава перформансе система за препознавање саобраћајних знакова и чини га рањивим на цурење саобраћајних знакова и лажно откривање. Неуронске мреже се све чешће користе за откривање циљева како технологија дубоког учења напредује; примери ових алгоритама укључују Фастер Р-ЦНН [6], ССД [7] и ИОЛО [8], итд., који су првенствено одвојени на једностепене и двостепене приступе детекције.

Претходна студија [9] представила је побољшану мрежу детекције засновану на ИОЛОв1 како би се позабавила питањима ниске тачности и споре брзине детекције стандардних метода детекције саобраћајних знакова.

Ова мрежа је побољшала брзину детекције саобраћајних знакова и смањила хардверске захтеве система за детекцију. Друга студија [10] предложила је приступ откривању саобраћајних знакова заснован на побољшаном ФастерРЦНН-у, са 12,1% побољшања у мАП-у, који је успешно решио проблеме као што су ниска ефикасност препознавања и подигао прецизност детекције и препознавања саобраћајних знакова.

У [11], ЦЦТСДБ скуп података је добијен проширењем кинеског скупа података о саобраћајним знаковима (ЦТСД) и ажурирањем информација о маркерима на основу побољшаног алгоритма за откривање циљева ИОЛОв2. ЦЦТСДБ скуп података садржао је само три категорије саобраћајних знакова, што је недовољно да се заврши изазовни задатак препознавања саобраћајних знакова.

Скуп података ТТ100К [12], који су креирали Универзитет Тсингхуа и Тенцент у сарадњи, извучен је из кинеске панораме Приказа улице и покрива широк спектар осветљења и временских услова, чинећи га репрезентативнијим за стварно окружење за вожњу. Студија [13] користила је ДенсеНет уместо РесНет у окосној мрежи ИОЛОв3 и експериментално га потврдио на скупу података ТТ100К.

Алгоритам побољшава перформансе модела детекције у реалном времену, али су прецизност и опозив обично ниски када су у питању мали циљеви као што су саобраћајни знаци, што имплицира озбиљно погрешно откривање.

Задатак детекције често постаје изазовнији у задацима откривања циљева, пошто је мета коју треба открити обично велика, а њене карактеристике се могу лако издвојити.

Захваљујући ФПН структури коју ИОЛОв3 уводи, сада је у стању да детектује мете на различитим скалама коришћењем фузије карактеристика више размера, што је прикладно за компликоване саобраћајне сцене и показало је извесно обећање у откривању малих циљева. Међутим, још увек има простора за побољшање у сликама високе резолуције скупа података о саобраћајним знаковима ТТ100К.

У закључку, приступ заснован на неуронским мрежама може успешно да реши проблеме са ниском ефикасношћу препознавања, промашеном детекцијом и лажном детекцијом, истовремено повећавајући прецизност детекције и препознавања саобраћајних знакова.

Методе засноване на неуронским мрежама имају бољу тачност или бржу детекцију од традиционалних метода, али не могу постићи ни брзину детекције ни тачност детекције. Поред тога, већина детекције саобраћајних знакова користи Немачки скуп података о саобраћајним знаковима (ГТСДБ), а саобраћајни знаци у Немачкој се разликују од оних у Кини; у Кини постоји мање студија о откривању и препознавању саобраћајних знакова.

Стога, да би се решили проблеми у горњим методама, овај рад користи скуп података ТТ100К за обуку и откривање кинеских саобраћајних знакова и побољшање и прилагођавање ИОЛОв3 мреже, углавном са следећим побољшањима:

(1) Додајте четврту скалу предвиђања карактеристика величине 152 × 152 у мрежну структуру ИОЛОв3 да бисте у потпуности искористили предности плитких карактеристика у мрежи за предвиђање малих циљева. Да би се постигло спајање локалних и глобалних карактеристика, просторна пирамидална структура је спојена.

(2) Растојање између циља и сидра, стопа преклапања и размера се узимају у обзир када се користи ДИоУ губитак за бржу конвергенцију и конзистентнију регресију циљног оквира. Ово чини регресију циљног оквира стабилнијом.

(3) Већина саобраћајних знакова у скупу података ТТ100К су мале и средње мете, са само неколико великих циљева.

Као резултат тога, коришћење оригиналног сидра није доступна опција. К-меанс алгоритам груписања се користи за поновно израчунавање 12 сидра за ТТ100К скуп података, а стратегија повећања података се користи за балансирање и повећање неуравнотеженог броја циљних категорија скупа података.

For more information:1950477648nn@gmail.com