基于改进YOLOv5s的交通信号灯识别方法

交通信号灯的检测与识别是提升无人驾驶系统安全性的关键技术,传统基于深度学习的识别方法不能在精度和速度之间达到较好的平衡,难以满足实际环境下的检测要求。YOLOv5具有网络规模小的优势,适合在交通场景下进行交通信号灯检测。对YOLOv5网络进行改进,提出TL-YOLOv5s网络用于交通信号灯识别。通过简化主干网络中卷积层的数量提高特征提取效率,同时对残差组件进行密集连接和多层次跨连接,得到2种新的CSP残差结构替换原网络中的残差结构,增强网络特征融合能力,提高识别精度。考虑到交通信号灯的小目标属性,在网络中保留中小目标检测尺度而去除大目标检测尺度,进一步提升识别速率。在法国巴黎LaRA信号灯数据集上进行实验,结果表明,TL-YOLOv5s网络mAP值达到70.1%,相比于基线网络YOLOv5提升6.3个百分点,且检测速度达到22.4 frame/s,能够满足现实环境下的实时性要求。     

基于改进YOLOv4的交通信号灯倒计时数字检测与识别

交通信号灯倒计时数字的快速检测和准确识别可以提高驾驶的安全性,减少交通事故的发生.针对目标检测算法在交通信号灯倒计时数字检测与识别中准确率较低、漏检率较高的问题,提出一种基于改进YOLOv4的交通信号灯倒计时数字检测与识别算法.首先将YOLOv4的主干网络CSPDarkNet53替换为CSPResNet50vd,并将C...     

小尺度交通信号灯的检测与状态识别

交通信号灯识别包括检测和状态识别,在智能交通系统中发挥重要作用。基于YOLOv3算法提出了一种交通信号灯检测与状态识别模型。针对交通信号灯相较于交通场景中其他目标具有尺度小的特性进行了算法的设计:降低骨干网络的下采样倍率以增加小尺度目标的特征描述能力;通过增大特征图的尺度来改进多尺度特征融合;引入广义交并比作为检测任务的损失函数来改进目标边界框的回归效果。同时,根据交通信号灯本身的特性,使用颜色和形状约束的方法对信号灯进行状态识别和类别验证。最后在公开的Bosch交通信号灯数据集上和实际的城区道路进行了实验验证。实验结果表明,所提出的算法能够提升交通信号灯识别的精度和召回率,识别准确率可以达到90%左右。     

城市环境中交通信号灯准确识别与状态估计

根据交通信号灯灯板颜色和形状定位图像中的灯板位置. 将灯板区域的彩色图像转换到YCbCr 空间, 分割灯板区域中的红、黄、绿三色区域, 利用交通信号灯的形态特性定位交通灯位置. 用Gabor 小波和2 维独立分量分析提取感兴趣区域的特征, 送入最近邻分类器分类信号灯的类型. 用代表性的观测序列建立隐马尔科夫模型, 并结合识别和跟踪结果估计信号灯状态. 实验结果表明, 该算法能可靠、准确地识别出信号灯, 并有效地估计出信号灯的状态.     

基于时空关系模型的交通信号灯的实时检测与识别

交通信号灯的检测与识别是无人驾驶汽车和高级驾驶辅助系统(ADAS)的重要组成部分。针对城市道路复杂环境下的交通信号灯的检测和识别需求,依据多帧视频图像序列的时空连续变化关系构建多帧视频图像的时空关系模型(Time-Space Model,TSM),提出了一种新的基于多帧视频图像序列的交通信号灯的检测和识别算法。算法包含3部分:基于颜色的视频图像快速分割压缩算法,用于提高计算效率;引入多帧视频图像序列的时空关系模型,以提高交通信号灯检测的准确性 ;根据图像的HOG(Histogram of Oriented Gradient)特征,通过SVM(Support Vector Machine)分类器对信号灯进行识别。实验结果表明,算法的鲁棒性强、检测识别速度快、准确率高。     

基于改进Hough变换的圆形交通信号灯的检测

本文提出一种基于HSV色彩空间的颜色和形状特征的交通灯检测方法.首先将图像的RGB色彩空间转换成HSV色彩空间,利用不同颜色的H阈值对图像进行分割,然后进行结构化处理,最后利用Hough变换检测圆形信号灯的可能位置.由于传统的Hough变换的计算量过大,为此提出一种新的基于Hough变换的椭圆轮廓检测方法.     

基于YOLO v3的交通标志牌检测识别

在无人驾驶和辅助驾驶领域,交通标志牌检测识别是重要的。针对目前基于YOLO的检测方法能够达到实时的检测效果,但在准确率方面有所降低的问题,提出了基于感兴趣区域(ROI)的交通标志牌检测方法。首先根据交通标志牌的颜色特性得到候选区域;再利用交通场景图像规则确定交通标志牌的ROI;最后在交通标志牌的ROI,基于YOLO v3实现对交通标志牌的检测识别。实验结果表明:由于本文提出的方法去除了图像中部分干扰因素,使得算法在检测精度上得到了提升,也能满足实时性的需求,并在无人驾驶车辆上进行了验证。     

小尺度交通信号灯的检测与识别

针对深度模型在网络深层易丢失细节特征导致对小尺度目标检测效果差的问题,提出一种基于YOLOv3算法的小尺度交通信号灯检测模型.首先,采用跨越式特征融合提升浅层特征图的语义能力、减少过度融合产生的冗余信息;然后,采用K-means算法聚类出适合交通信号灯尺寸的新先验框,再采用线性缩放机制对新先验框离散以提升IoU.经过B...     

交通信号灯模拟程序

FoxDASE、FoxPro和其他高级语言的初学者,在分析和编制带参过程时,常感到棘手。一是不知该如何根据设计要求分离出主程序和过程各自完成的任务;二是不知该如何选取过程中的形式参数。为此我编制了一个十字路口交通信号灯模拟程序。 程序5分钟之内,在东西南北四个方向交替显示红、黄、绿灯。每     

基于改进Faster-RCNN的绝缘子检测算法

为了提高高压输电线路巡检效率,提出改进Faster-RCNN的绝缘子检测算法.首先,在特征提取网络中添加具有注意力机制动态选择机制网络(SKNet),从而使网络着重学习与绝缘子特征相关通道;其次,借助滤波器响应归一化(FRN)层替代原批归一化(BN)层,以避免模型陷入梯度饱和区域;最后,使用距离交并比(DIoU)代替原...     

Traffic lights detection and recognition based on multi-feature fusion

Many traffic accidents occurred at intersections are caused by drivers who miss or ignore the traffic signals. In this paper, we present a method dealing with automatic detection of traffic lights that integrates both image processing and support vector machine techniques. Firstly, based on the color characteristics of traffic lights, the paper proposes a method of traffic light segmentation in RGB and HSV color space. And then, according to the geometric features and backplane color information of traffic lights, we design an algorithm to remove false targets in images. Moreover, in order to solve traffic lights diffusion problem, we apply a strategy that we first map the candidate regions onto the original image, then using Otsu algorithm re-extract the target region. Finally, HOG features are extracted from the target regions, and recognized by the trained SVM classifier. Experimental results show that the proposed method has relatively high detection rate and recognition accuracy in different natural scenarios, and is able to meet real-time requirements.     

Small-scale aircraft detection in remote sensing images based on Faster-RCNN

Multimedia Tools and Applications - Detecting aircraft in remote sensing images becomes increasingly important in both military and civilian fields. However, the accuracy of existing detection...     

基于Faster-RCNN神经网络的回环检测优化算法

如何提高回环检测（loop closure detection）的准确率,是同时定位与地图构建系统（simultaneous localization and mapping,SLAM）中实现更高位姿恢复精度的关键问题之一。基于传统的词袋模型原理,构建了一个全新的算法框架。该算法使用预处理的Faster-RCNN神经网络对图像序列进行检测,利用所检测出的图像语义特征种类、像素位置及特征图等信息来构建具有标志性的二维语义特征向量图,并使用非线性的累积误差来计算二维语义特征向量图之间的相似度,且据此计算初始回环,经位姿验证后得到最终回环结果。通过与传统词袋模算法的分析比较,实验结果验证了所提算法的有效性,实现了更高精度、效率的回环检测。     

应用圆形度和颜色直方图的交通信号灯识别

针对智能车辆介绍了一种在城市环境中识别交通信号灯的新方法.该方法先对原图像进行预处理,过滤不符合形态学准则的区域.计算候选区域的圆形度和背板的颜色信息,把圆形度符合和背板为黑色的区域作为交通信号灯区域.并将检测到的交通信号灯区域图像从RGB空间转换到HSV空间中,用颜色直方图对图像的H分量进行分布统计,根据其分布特征来识别交通信号灯的类型.实验结果表明,该方法能有效地识别复杂环境下的交通信号灯.     

基于高稳定SURF特征的交通标志识别

针对光照变化和部分遮挡这两种情形,提出一种基于多帧视频图像的高稳定特征的交通标志识别方法。利用有交通标志的多帧视频图像的SURF特征建立bag of SURFs特征向量集,与标准交通标志图像的模板特征向量集匹配,采用权值计分策略的最高得分确定交通标志的识别结果。对三种情形下的公开视频图像集进行了实验并与最新方法进行对比分析,结果表明新方法的交通标志识别效果具有明显的优越性,是在光照变化和部分遮挡情形下一种有效的交通标志识别方法。     

Traffic sign recognition based on deep learning

Multimedia Tools and Applications - Intelligent Transportation System (ITS), including unmanned vehicles, has been gradually matured despite on road. How to eliminate the interference due to...     

基于BP神经网络的交通标志识别

对神经网络理论和神经网络分类器进行了研究,提出了基于BP神经网络分类器的交通标志识别模型。通过大量实验和比较,得到了识别效率高的模型,并将这一模型应用到所研究的交通标志识别系统,从而对系统作了初步的实现。     

Traffic light recognition exploiting map and localization at every stage

Traffic light recognition is being intensively researched for the purpose of reducing traffic accidents at intersections and realizing autonomous driving. However, conventional vision-based approaches have several limitations due to full image scanning, always-on operation, various different types of traffic lights, and complex driving environments. In particular, it might be impossible to recognize a relevant traffic light among multiple traffic lights at multiple intersections. To overcome such limitations, we propose an effective architecture that integrates a vision system with an accurate positioning system and an extended digital map. The recognition process is divided into four stages and we suggest an extended methodology for each stage. These stages are: ROI generation, detection, classification, and tracking. The 3D positions of traffic lights and slope information obtained from an extended digital map enable ROIs to be generated accurately, even on slanted roads, while independent design and implementation of individual recognition modules for detection and classification allow for selection according to the type of traffic light face. Such a modular architecture gives the system simplicity, flexibility, and maintainable algorithms. In addition, adaptive tracking that exploits the distance to traffic lights allows for seamless state estimation through smooth data association when measurements change from long to short ranges. Evaluation of the proposed system occurred at six test sites and utilized two different types of traffic lights, seven states, sloped roads, and various environmental complexities. The experimental results show that the proposed system can recognize traffic lights with 98.68% precision, 92.73% recall, and 95.52% accuracy in the 10.02–81.21 m range.