基于深度學(xué)習(xí)和虛擬數(shù)據(jù)的交通信號(hào)燈檢測(cè)技術(shù)研究

基于深度學(xué)習(xí)和虛擬數(shù)據(jù)的交通信號(hào)燈檢測(cè)技術(shù)研究

研究了基于自動(dòng)駕駛和輔助駕駛技術(shù)的交通信號(hào)燈檢測(cè)技術(shù)。此技術(shù)利用來自路面場(chǎng)景的虛擬數(shù)據(jù)，在照亮的交通信號(hào)燈周圍自動(dòng)生成邊界，訓(xùn)練了一個(gè)8層的深層神經(jīng)網(wǎng)絡(luò)，其預(yù)先沒有經(jīng)過用于區(qū)分交通信號(hào)燈信號(hào)（綠、黃、紅）的訓(xùn)練。使用虛擬數(shù)據(jù)進(jìn)行訓(xùn)練之后，利用從車輛前方攝像頭收集的真實(shí)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的測(cè)試。

新的區(qū)域提取技術(shù)使用色彩空間轉(zhuǎn)換和輪廓提取技術(shù)來識(shí)別候選區(qū)域，以供深層神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。根據(jù)一天早中晚對(duì)應(yīng)的環(huán)境變化轉(zhuǎn)換RGB（紅黃藍(lán)合成的顏色）圖像，以便更準(zhǔn)確地提取相關(guān)的有用區(qū)域，并根據(jù)顏色、形狀和大小進(jìn)行過濾，這些候選區(qū)域?qū)⒈凰腿肷顚由窠?jīng)網(wǎng)絡(luò)。著重研究了敏感區(qū)域處理方法，該方法可以將假陰性和假陽性的候選區(qū)域最小化，然后將其送給深層神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。此解決方案可用于從駕駛員輔助級(jí)別到全自動(dòng)駕駛級(jí)別的多種自主性應(yīng)用。

在訓(xùn)練數(shù)據(jù)中，使用了大量的假性例子（無交通信號(hào)燈的圖像）而非真性的例子（交通信號(hào)燈圖像），因?yàn)樵谟行┣闆r下探測(cè)到的不是交通信號(hào)燈，因此希望在訓(xùn)練數(shù)據(jù)中有相似的分布。相等數(shù)量示例訓(xùn)練的神經(jīng)網(wǎng)絡(luò)比數(shù)據(jù)集上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有更多的非交通信號(hào)燈信號(hào)數(shù)據(jù)，其中無交通信號(hào)燈的圖像數(shù)量大于有交通信號(hào)燈的圖像數(shù)量。

未來的工作將會(huì)擴(kuò)展虛擬和現(xiàn)實(shí)世界的數(shù)據(jù)集，以解決所有的變化，并消除誤報(bào)。此外，應(yīng)擴(kuò)展數(shù)據(jù)集，包括左轉(zhuǎn)和右轉(zhuǎn)的轉(zhuǎn)彎箭頭。

Maryam Moosaei.SAE 2017-01-0104.

編譯：賈春輝