中国科学院机构知识库网格
Chinese Academy of Sciences Institutional Repositories Grid
基于平行视觉的交通标志识别方法研究

文献类型:学位论文

作者陈然1,2
答辩日期2018-05-24
授予单位中国科学院大学
授予地点北京
导师王飞跃
关键词平行视觉 交通标志识别 合成样本 域相关 Ls-gan
英文摘要      交通标志识别是智能交通系统的重要组成部分,一般可划分为检测与分类两个阶段。检测是指从图像或视频序列中提取出可能含有交通标志的目标区域,分类是对该目标区域进行识别,得到交通标志的类别。交通标志识别技术可以用于无人驾驶、辅助驾驶以及交通标志的日常维护,具有广阔的应用前景。传统的识别方法利用交通标志对称的形状特征以及均匀、鲜明的颜色分布来检测和分类交通标志,这些方法取得了一定的成果,但是性能仍然有待进一步提高。伴随着深度学习的兴起,越来越多的研究者将深度学习方法应用于交通标志的识别,并取得了超越传统方法的效果。但是,基于深度学习的方法需要大量且多样化的训练样本,在实际中,标记样本是一件费时费力的事情,而且有些场景下的训练样本并不容易获取。平行视觉方法提供了一种可行的解决方案,该方法提出构建人工场景,并自动生成训练样本以及标注信息。由于人工场景是可调控的,因而可以生成任意状态下的样本并得到准确的标注信息。除此之外,平行视觉方法还强调虚实互动,也就是将视觉模型在实际场景与人工场景中平行执行,使模型训练和评估在线化、长期化。本论文利用深度学习技术,结合平行视觉理论,对自然环境下的交通标志检测与分类进行了研究,主要工作如下:
      首先,对原始数据集,本论文进行了预处理,并由此提出一种保存完整目标区域的图像分割方法,该方法完整保留了图像中的目标,并将大尺寸的图像分割成若干张小尺寸的图像。原始数据集中,训练样本的尺寸太大,而有的交通标志所占的区域太小,不适合直接进行压缩。利用裁剪的方法,去除了大部分背景,但对图像中的目标区域没有影响。
      其次,该论文对合成训练样本进行了探讨和研究。该方法将真实图像中的交通标志裁剪出来,经过一系列几何形变、亮度变化,再与背景图像合成新的训练样本。几何形变、亮度变化能够很好地模拟自然条件下发生的变化,使得样本的多样性得到加强。该论文除了生成合成样本之外,对训练方法也进行了调整,也就是在训练过程中,将真实样本与合成样本一起,共同训练模型。在TT100K和GTSDB数据集上,通过一系列的对比实验,表明了上述方法确实具有有效性。
      再次,研究了利用LS-GAN生成虚拟交通标志,并与真实交通标志一起训练模型。LS-GAN是一种改进版本的GAN,该方法并不是简单地复制原数据集中的样本,而是生成新的、具有多样性的样本。对于无标签的交通标志,提出利用半监督方法中的域相关方法进行分类。该方法能够在有标签的交通标志与无标签的交通标志之间建立联系,从而使得无标签的交通标志即使没有标注信息,也能够得到训练。相比较于只利用有标签的交通标志进行训练,该方法能够大大提高无标签的交通标志的分类准确率。
      最后,构建了交通标志识别系统,能够对视频中的交通标志进行准确识别。该系统首先将视频分成连续的多帧图像;然后利用训练好的模型对每帧图像进行交通标志识别;最后,将识别结果转换为视频并实时显示。
源URL[http://ir.ia.ac.cn/handle/173211/21188]  
专题毕业生_硕士学位论文
作者单位1.中国科学院自动化研究所
2.中国科学院大学
推荐引用方式
GB/T 7714
陈然. 基于平行视觉的交通标志识别方法研究[D]. 北京. 中国科学院大学. 2018.

入库方式: OAI收割

来源:自动化研究所

浏览0
下载0
收藏0
其他版本

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。