YOLOv3 알고리즘을 기반으로 한 교통 표지판 인식 1부
Jan 19, 2024
추상적인:
교통 표지판 감지는 차량 의사 결정 및 제어에 중요한 도로 교통 데이터를 제공하므로 지능형 교통 시스템의 필수 구성 요소입니다.
도시화가 가속화됨에 따라 인구와 자동차 대수는 지속적으로 증가하고 있으며, 교통혼잡, 안전사고 등의 문제는 날로 심각해지고 있어 국민의 생활과 업무에 큰 불편과 부담을 안겨주고 있다. 따라서 지능형 교통시스템의 출현은 우리 삶에 큰 편리함을 가져다 주고 교통안전도 향상시킬 수 있습니다. 지능형 교통 시스템은 인간의 기억과도 분리될 수 없습니다.
우선 지능형 교통시스템은 첨단기술 수단을 활용해 교통정보를 수집·분석하고 상세하고 정확한 교통상황을 사람들에게 제공함으로써 사람들의 이동을 원활하게 하고 신호등 등 부정확한 교통정보로 인한 시간지체를 방지할 수 있다. 운전자의 경우 지능형 교통 시스템은 운전 경로를 실시간 분석 및 모니터링하고, 운전자에게 특별한 기간 동안 운전 경로를 신속하게 조정하도록 상기시켜 교통 정체, 지각 등의 발생을 줄일 수 있습니다. 운전자의 주의를 돕고, 운전 중 피로도를 줄여주어 운전 안전성을 높여줍니다.
둘째, 지능형 교통 시스템은 차량 인터넷(Internet of Vehicles)과 같은 기술적 수단을 통해 운전자의 휴대폰, 차량 내비게이션 및 기타 시스템과도 연결될 수 있습니다. 이를 통해 사람들은 언제든지 최신 교통 정보를 얻을 수 있고, 현재의 교통 환경을 파악하고, 여행 계획을 신속하게 조정할 수 있습니다. 동시에 차량의 안전 제어 및 운전 보조 시스템과 협력하여 안전한 운전을 보장할 수도 있습니다. 예를 들어, 운전자는 지능형 교통시스템이 제공하는 주행경로, 교통정보 등을 숙지한 후 더욱 집중적이고 안정적으로 차량을 운전하게 되며, 급격한 경로 변경 등으로 인해 혼란에 빠지지 않고, 긴급 상황에 신속하게 대처할 수 있습니다. 반응하다.
마지막으로 지능형 교통 시스템은 다양한 도시 교통 상황에 따라 해당 교통 관리 규칙을 설정하여 차량과 보행자의 안전한 이동을 보장하고 교통 사고를 피할 수 있습니다. 예를 들어, 교통 정체에 따라 신호등의 시간과 빈도를 변경하고, 도로 구간에 속도 제한 알림을 제공하는 등 운전자가 복잡한 도로 상황에 직면할 때 올바르게 대응할 수 있도록 하여 교통을 원활하게 할 수 있습니다. 그리고 보안.
요약하자면, 지능형 교통 시스템과 인간의 기억 사이에는 밀접한 연관성이 있습니다. 지능형 교통 시스템은 우리에게 더 나은 운전 환경을 제공하고, 운전 시 사람들의 부담을 줄여줌으로써 사람들의 기억력을 향상시킬 수 있습니다. 지능형 교통 시스템의 개발은 현대 도시 건설에 있어서 피할 수 없는 추세입니다. 기억력 향상이 필요함을 알 수 있는데, 시스탄체 데저티콜라는 기억력 향상이라는 독특한 효능이 많은 중국 전통 약재이기 때문에 기억력을 크게 향상시킬 수 있습니다. 다진 고기의 효능은 산, 다당류, 플라보노이드 등 포함된 다양한 활성 성분에서 비롯됩니다. 이러한 성분은 다양한 방식으로 뇌 건강을 증진할 수 있습니다.
작은 교통 표지판, 눈에 띄지 않는 특성 및 낮은 감지 정확도 문제를 해결하기 위해 향상된 (You Only Look Once v3) YOLOv3 기반의 교통 표지판 인식 방법이 제안되었습니다.
공간 피라미드풀링 구조는 YOLOv3 네트워크 구조에 융합되어 로컬 특징과 전역 특징의 융합을 달성하고 네트워크의 얕은 특징을 최대한 활용하여 작은 목표를 예측하기 위해 152 × 152 크기의 네 번째 특징 예측 척도가 도입되었습니다.
또한 경계 상자 회귀는 대상과 앵커 사이의 거리, 중첩률 및 크기를 고려하는 DIoU(Distance-IoU) 손실을 사용할 때 더 안정적입니다.
Tsinghua–Tencent 100K(TT100K) 교통 표지판 데이터 세트의 12개 앵커는 K-평균 클러스터링 알고리즘을 사용하여 다시 계산되는 반면, 데이터 세트는 TT100K 데이터 세트의 대상 클래스 수가 고르지 않은 문제를 해결하기 위해 균형을 이루고 확장됩니다.
알고리즘을 YOLOv3 및 기타 일반적으로 사용되는 표적 탐지 알고리즘과 비교한 결과, 개선된 YOLOv3 알고리즘은 특히 mAP가 10.5% 향상되어 실시간 성능을 최대한 높게 유지하면서 탐지 네트워크의 정확도가 크게 향상되었습니다.
네트워크의 실시간 성능을 최대한 높게 유지하면서 탐지 네트워크의 정확도가 크게 향상됩니다.
키워드:
교통표지판 인식; YOLOv3; 공간 피라미드 풀링 구조.
1. 소개
현재 자율주행과 지능형 교통시스템(ITS)은 교통표지판 감지 및 식별 기술의 주요 애플리케이션이다.
운전자와 자율주행차에 중요한 교통정보를 제공하여 자율주행차가 도로 규정이나 경고에 따라 판단하고 적시에 운전자의 운전 행동을 지시하여 교통사고를 줄일 수 있습니다.
교통표지판은 크게 방향표지판, 경고표지판, 금지표지판 세 가지로 구분할 수 있습니다. 이 표지판은 디자인이 원형 또는 삼각형이며 빨간색, 노란색, 파란색입니다.
따라서 전통적인 교통 표지판 인식은 일반적으로 기계 학습 기술을 사용하여 교통 표지판을 인식하거나 교통 표지판에서 색상 및 모양과 같은 정보를 추출합니다.
조명 변화에 쉽게 영향을 받는 색상 기반 교통표지판 검출에는 분류 식별 전 특성을 추출하기 위한 색상 분할이 사용됩니다. 이전 문헌[1]에 따르면 색상 분할은 밝기 변화에 영향을 받지 않으며 HIS 공간을 사용하여 색상과 채도만 검사합니다.
날씨, 감지 거리 등의 변수에 대한 색상 인식 요구가 높기 때문에 색상 특징 기반 감지 접근 방식은 고화질 이미지 인식에 사용할 수 있지만 회색조 이미지 인식에는 사용할 수 없습니다 [2].
회색조 이미지에 대한 모양 기반 교통 표지판 식별 접근 방식은 다른 문헌[3]에서 제안되었으며, 이는 삼각형 교통 표지판 감지를 교통 표지판을 올바르게 인식할 수 있고 거리에 영향을 받지 않는 간단한 선분 감지로 변환합니다.
또 다른 문헌[4]에서는 선형 서포트 벡터 머신의 일반화 특성을 이용하여 교통 표지판의 색상을 먼저 분할한 후 형태를 분류하는 서포트 벡터 머신 기반의 교통 표지판 탐지 및 인식 시스템이 제안되었다.
색상과 모양 특징을 별도로 검출하는 방법은 먼저 색상 분할을 수행하여 관심 영역을 획득하고, 관심 영역이 검출되지 않으면 더 이상 형상 기반 검출을 수행하지 않으며, 둘째, 색상 분할을 위해서는 고정된 임계값을 설정해야 합니다. 수동으로 교통 표지판을 감지하는 것이 복잡하고 시간이 많이 걸립니다.
이러한 문제를 해결하고 감지 성능을 높이기 위해 한 연구[5]에서는 AdaBoost 프레임워크를 사용하여 색상 및 모양 모델링 감지를 동시에 수행했습니다.
빛, 교통표지판 색상 변화 등 외부 조건의 변화는 색상 및 모양 기반 교통표지판 감지에 영향을 줄 수 있습니다.
감지 영향은 불안정하여 교통표지판 인식 시스템의 성능을 저하시키고 교통표지판 유출 및 허위 감지에 취약합니다. 딥러닝 기술이 발전함에 따라 표적을 탐지하기 위해 신경망이 더 자주 사용되고 있습니다. 이러한 알고리즘의 예로는 Faster R-CNN [6], SSD [7], YOLO [8] 등이 있으며 주로 단일 단계 탐지 접근 방식과 2단계 탐지 접근 방식으로 구분됩니다.
이전 연구[9]에서는 표준 교통 표지판 탐지 방법의 낮은 정확도와 느린 탐지 속도 문제를 해결하기 위해 YOLOv1 기반의 향상된 탐지 네트워크를 제시했습니다.
이 네트워크는 교통 표지판 감지 속도를 향상시키고 감지 시스템의 하드웨어 요구 사항을 낮췄습니다. 또 다른 연구[10]에서는 향상된 FasterRCNN을 기반으로 mAP가 12.1% 향상된 교통 표지판 감지 접근 방식을 제안했는데, 이는 낮은 인식 효율성과 문제를 성공적으로 해결했습니다. 교통 표지판 감지 및 인식의 정확성.
[11]에서는 중국 교통 표지 데이터 세트(CTSD)를 확장하고 향상된 YOLOv2 표적 탐지 알고리즘을 기반으로 마커 정보를 업데이트하여 CCTSDB 데이터 세트를 얻었습니다. CCTSDB 데이터 세트에는 교통 표지판의 세 가지 범주만 포함되어 있어 교통 표지판 인식이라는 까다로운 작업을 완료하기에는 충분하지 않습니다.
Tsinghua University와 Tencent가 공동으로 제작한 TT100K [12] 데이터 세트는 중국 스트리트 뷰 파노라마에서 추출되었으며 광범위한 조명 및 기상 조건을 포함하여 실제 운전 환경을 더욱 잘 표현합니다. 연구 [13]에서는 대신 DenseNet을 사용했습니다. YOLOv3의 백본 네트워크에 있는 ResNet을 사용하고 TT100K 데이터 세트에서 실험적으로 검증했습니다.
알고리즘은 감지 모델의 실시간 성능을 향상시키지만 교통 표지판과 같은 작은 대상의 경우 정확도와 재현율이 낮아 심각한 오감지를 암시하는 경향이 있습니다.
탐지 작업은 일반적으로 탐지할 대상이 크고 그 특징을 쉽게 추출할 수 있기 때문에 대상 탐지 작업에서 더 어려워지는 경우가 많습니다.
YOLOv3가 도입한 FPN 구조로 인해 이제 다중 규모 특징 융합을 활용하여 다양한 규모의 표적을 탐지할 수 있으며, 이는 복잡한 교통 상황에 적합하고 작은 표적 탐지에 어느 정도 유망한 것으로 나타났습니다. 그러나 TT100K 교통 표지판 데이터 세트의 고해상도 이미지에는 여전히 개선의 여지가 있습니다.
결론적으로, 신경망 기반 접근 방식은 낮은 인식 효율성, 누락 감지, 허위 감지 문제를 성공적으로 해결하는 동시에 교통 표지판 감지 및 인식의 정밀도를 향상시킬 수 있습니다.
신경망 기반 방법은 기존 방법에 비해 탐지 정확도가 높거나 빠르지만 탐지 속도와 탐지 정확도를 모두 얻을 수는 없습니다. 또한, 대부분의 교통표지판 검출은 GermanTraffic Sign Dataset(GTSDB)을 사용하고 있으며, 독일의 교통표지판은 중국의 교통표지판과 다르기 때문에 중국에서는 교통표지판 검출 및 인식에 대한 연구가 적습니다.
따라서 위 방법의 문제를 해결하기 위해 이 논문에서는 TT100K 데이터 세트를 사용하여 중국 교통 표지판을 훈련 및 감지하고 YOLOv3 네트워크를 개선 및 조정하며 주로 다음과 같은 개선 사항을 적용합니다.
(1) YOLOv3 네트워크 구조에 152 × 152 크기의 네 번째 특징 예측 척도를 추가하여 네트워크의 얕은 특징을 최대한 활용하여 작은 목표를 예측합니다. 지역적 특징과 전역적 특징의 융합을 달성하기 위해 공간 피라미드풀링 구조가 융합됩니다.
(2) 보다 빠른 수렴과 보다 일관된 대상 프레임 회귀를 위해 DIOU 손실을 사용할 때 대상과 앵커 사이의 거리, 중첩 비율 및 규모가 모두 고려됩니다. 이는 대상 프레임 회귀를 더욱 안정적으로 만듭니다.
(3) TT100K 데이터 세트의 교통 표지판의 대부분은 중소 규모의 타겟이며 소수의 대형 타겟만 있습니다.
결과적으로 원래 앵커를 사용하는 것은 가능한 옵션이 아닙니다. K-평균 클러스터링 알고리즘은 TT100K 데이터세트에 대해 12개의 앵커를 다시 계산하는 데 사용되며, 데이터 확대 전략은 데이터세트의 불균형한 대상 범주 수의 균형을 맞추고 늘리는 데 사용됩니다.
For more information:1950477648nn@gmail.com
