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。