تشخیص علائم ترافیکی بر اساس الگوریتم YOLOv3 قسمت 1

خلاصه:

تشخیص علائم راهنمایی و رانندگی جزء ضروری یک سیستم حمل و نقل هوشمند است زیرا داده های ترافیک جاده ای حیاتی را برای تصمیم گیری و کنترل وسیله نقلیه فراهم می کند.

با شتاب شهرنشینی، جمعیت و تعداد وسایل نقلیه همچنان در حال افزایش است و مشکلاتی مانند تراکم ترافیک و تصادفات ایمنی بیشتر و جدی تر می شوند و ناراحتی و فشار زیادی را به زندگی و کار مردم وارد می کنند. بنابراین، ظهور سیستم های حمل و نقل هوشمند، راحتی زیادی را برای زندگی ما به ارمغان آورده است و همچنین می تواند ایمنی ترافیک را بهبود بخشد. سیستم های حمل و نقل هوشمند نیز از حافظه انسان جدا نیستند.

اول از همه، سیستم‌های حمل‌ونقل هوشمند می‌توانند از ابزارهای پیشرفته برای جمع‌آوری و تجزیه و تحلیل اطلاعات ترافیکی استفاده کنند و شرایط ترافیکی دقیق و دقیقی را در اختیار مردم قرار دهند که به تسهیل سفر مردم و جلوگیری از تأخیر زمانی ناشی از اطلاعات نادرست ترافیکی مانند چراغ‌های راهنمایی کمک می‌کند. برای رانندگان، سیستم حمل‌ونقل هوشمند می‌تواند تحلیل و پایش لحظه‌ای مسیرهای رانندگی خود را انجام دهد، به رانندگان یادآوری کند که مسیرهای رانندگی خود را به‌موقع در بازه‌های زمانی خاص تنظیم کنند و از بروز ترافیک، تأخیر و غیره بکاهند. به توجه راننده کمک می کند، خستگی حین رانندگی را کاهش می دهد و در نتیجه ایمنی رانندگی را بهبود می بخشد.

ثانیاً سیستم حمل و نقل هوشمند می تواند از طریق ابزارهای فنی مانند اینترنت وسایل نقلیه به تلفن همراه راننده، ناوبری خودرو و سایر سیستم ها نیز متصل شود. به این ترتیب، مردم می توانند در هر زمان آخرین اطلاعات ترافیکی را به دست آورند، محیط ترافیک فعلی خود را بشناسند و برنامه سفر خود را به سرعت تنظیم کنند. در عین حال، می تواند با سیستم های کنترل ایمنی و کمک رانندگی خودرو نیز همکاری کند تا از رانندگی ایمن اطمینان حاصل کند. به عنوان مثال، پس از تسلط رانندگان بر مسیرهای رانندگی، اطلاعات ترافیکی و غیره که توسط سیستم حمل و نقل هوشمند ارائه می شود، وسیله نقلیه را با تمرکز و ثبات بیشتری رانندگی می کنند، به دلیل تغییر ناگهانی مسیرها و ... دچار سردرگمی نمی شوند و همچنین بتواند در مواقع اضطراری به سرعت عمل کند. واکنش نشان دهند.

در نهایت، سیستم حمل و نقل هوشمند همچنین می تواند قوانین مدیریت ترافیک مربوطه را با توجه به موقعیت های مختلف ترافیک شهری تنظیم کند تا از سفر ایمن وسایل نقلیه و عابران پیاده و جلوگیری از حوادث ترافیکی اطمینان حاصل کند. به عنوان مثال، تغییر زمان و فرکانس چراغ های راهنمایی بر اساس ازدحام ترافیک، ارائه یادآوری محدودیت سرعت در بخش های جاده و غیره، رانندگان را قادر می سازد هنگام مواجهه با شرایط پیچیده جاده، به درستی پاسخ دهند و در نتیجه از روان بودن ترافیک اطمینان حاصل کنند. و امنیت

به طور خلاصه، ارتباط نزدیکی بین سیستم های حمل و نقل هوشمند و حافظه انسان وجود دارد. سیستم های حمل و نقل هوشمند می توانند محیط رانندگی بهتری را برای ما فراهم کنند، بار مردم را هنگام رانندگی کاهش دهند و در نتیجه حافظه افراد را تقویت کنند. توسعه سیستم های حمل و نقل هوشمند یک روند اجتناب ناپذیر در ساخت شهرهای مدرن ما است. مشاهده می شود که ما نیاز به بهبود حافظه داریم و سیستانچ دسرتیکولا می تواند حافظه را به میزان قابل توجهی بهبود بخشد زیرا سیستانچ دسرتیکولا یک ماده دارویی سنتی چینی است که اثرات منحصر به فرد بسیاری دارد که یکی از آنها بهبود حافظه است. اثربخشی گوشت چرخ کرده از ترکیبات فعال مختلفی که شامل اسید، پلی ساکاریدها، فلاونوئیدها و غیره است، ناشی می شود. این مواد می توانند به طرق مختلف سلامت مغز را تقویت کنند.

روی 10 روش برای بهبود حافظه کلیک کنید

برای حل چالش‌های علائم راهنمایی و رانندگی کوچک، ویژگی‌های نامحسوس و دقت تشخیص پایین، یک روش تشخیص علائم ترافیکی مبتنی بر بهبود یافته (You Only Look Once v3) YOLOv3 پیشنهاد شده است.

ساختار هرمی فضایی برای دستیابی به ادغام ویژگی های محلی و ویژگی های جهانی در ساختار شبکه YOLOv3 ادغام می شود و چهارمین مقیاس پیش بینی ویژگی با اندازه 152 × 152 برای استفاده دقیق از ویژگی های کم عمق در شبکه برای پیش بینی اهداف کوچک معرفی شده است.

علاوه بر این، رگرسیون جعبه مرزی زمانی پایدارتر است که از اتلاف فاصله-IoU (DIoU) استفاده شود، که فاصله بین هدف و لنگر، نرخ همپوشانی و مقیاس را در نظر می‌گیرد.

12 لنگر مجموعه داده علائم ترافیکی Tsinghua–Tencent 100K (TT100K) با استفاده از الگوریتم خوشه‌بندی K-means مجدداً محاسبه می‌شوند، در حالی که مجموعه داده متعادل و گسترش می‌یابد تا مشکل تعداد نابرابر کلاس‌های هدف در مجموعه داده TT100K را برطرف کند.

این الگوریتم با YOLOv3 و سایر الگوریتم‌های تشخیص هدف رایج مورد استفاده مقایسه می‌شود و نتایج نشان می‌دهد که الگوریتم بهبود یافته YOLOv3 به میانگین دقت متوسط ​​(mAP) 77.3 درصد دست می‌یابد که 8.4 درصد بیشتر از YOLOv3 است، به ویژه در تشخیص هدف کوچک، جایی که mAP است. 10.5% بهبود یافته است و دقت شبکه شناسایی را تا حد زیادی بهبود می بخشد و در عین حال عملکرد بلادرنگ را تا حد امکان بالا نگه می دارد.

دقت شبکه تشخیص بطور قابل ملاحظه ای افزایش یافته و در عین حال عملکرد بلادرنگ شبکه را تا حد امکان بالا نگه می دارد.

کلید واژه ها:

تشخیص علائم راهنمایی و رانندگی؛ YOLOv3; ساختار ترکیبی هرمی فضایی

1. معرفی

در حال حاضر، رانندگی خودکار و سیستم‌های حمل و نقل هوشمند (ITS) کاربردهای اصلی برای فناوری‌های تشخیص و شناسایی علائم راهنمایی و رانندگی هستند.

این می تواند به رانندگان و وسایل نقلیه خودران اطلاعات ترافیکی حیاتی بدهد، به طوری که دومی می تواند با توجه به مقررات جاده یا هشدار، قضاوت کند و رفتارهای عملیاتی رانندگان را به موقع برای کاهش تصادفات راهنمایی کند.

علائم راهنمایی و رانندگی را می توان به طور کلی به سه دسته تقسیم کرد: علائم راهنمایی، علائم هشدار دهنده و علائم منع. این تابلوها از نظر طراحی گرد یا مثلثی هستند و قرمز، زرد و آبی هستند.

بنابراین، تشخیص علائم راهنمایی و رانندگی کلاسیک معمولاً از تکنیک‌های یادگیری ماشینی برای تشخیص علائم راهنمایی و رانندگی یا استخراج اطلاعاتی مانند رنگ و شکل از علائم راهنمایی استفاده می‌کند.

تقسیم‌بندی رنگ برای استخراج ویژگی‌ها قبل از شناسایی طبقه‌بندی در تشخیص علائم ترافیکی مبتنی بر رنگ استفاده می‌شود که به راحتی تحت تأثیر تغییرات نور قرار می‌گیرد. طبق ادبیات قبلی [1]، تقسیم بندی رنگ تحت تأثیر تغییرات روشنایی قرار نمی گیرد و از فضای HIS برای بررسی تنها رنگ و اشباع استفاده می کند.

با توجه به نیازهای بالای تشخیص رنگ در متغیرهایی مانند آب و هوا و فاصله تشخیص، رویکرد تشخیص مبتنی بر ویژگی‌های رنگی را می‌توان برای تشخیص تصویر با وضوح بالا استفاده کرد، اما نه برای تشخیص تصویر در مقیاس خاکستری [2].

یک رویکرد شناسایی علائم ترافیکی مبتنی بر شکل در تصاویر مقیاس خاکستری در ادبیات دیگری پیشنهاد شد [3]، که تشخیص علائم ترافیک مثلثی را به تشخیص بخش خط ساده تبدیل می‌کند، که می‌تواند به درستی علائم ترافیک را تشخیص دهد و مسافت بر آن تأثیری ندارد.

یک سیستم تشخیص و تشخیص علائم ترافیکی مبتنی بر ماشین بردار پشتیبان در ادبیات دیگری [4] پیشنهاد شد که از ویژگی تعمیم یک ماشین بردار پشتیبان خطی برای تقسیم‌بندی رنگ علائم راهنمایی و سپس طبقه‌بندی فرم استفاده می‌کند.

روش تشخیص ویژگی های رنگ و شکل به طور جداگانه ابتدا تقسیم بندی رنگ را انجام می دهد تا ناحیه مورد نظر را به دست آورد و اگر ناحیه مورد نظر شناسایی نشود، تشخیص مبتنی بر شکل دیگر انجام نمی شود؛ ثانیا، تقسیم بندی رنگ نیاز به یک آستانه ثابت دارد. به صورت دستی، تشخیص علائم ترافیکی را پیچیده و وقت گیر می کند.

برای حل این مسائل و افزایش عملکرد تشخیص، یک مطالعه [5] از چارچوب AdaBoost برای انجام تشخیص مدل‌سازی رنگ و شکل همزمان استفاده کرد.

تغییرات در شرایط خارجی، مانند نور، تغییر رنگ علائم راهنمایی و رانندگی، و غیره، می تواند بر تشخیص علائم ترافیکی مبتنی بر رنگ و شکل تأثیر بگذارد.

تاثیر تشخیص ناپایدار است، عملکرد سیستم تشخیص علائم ترافیکی را مختل می کند و آن را در برابر نشت علائم ترافیکی و تشخیص نادرست آسیب پذیر می کند. با پیشرفت فناوری یادگیری عمیق، از شبکه های عصبی بیشتر برای شناسایی اهداف استفاده می شود. نمونه‌هایی از این الگوریتم‌ها شامل سریع‌تر R-CNN [6]، SSD [7] و YOLO [8] و غیره است که عمدتاً به روش‌های تشخیص تک مرحله‌ای و دو مرحله‌ای جدا می‌شوند.

یک مطالعه قبلی [9] شبکه تشخیص پیشرفته مبتنی بر YOLOv1 را برای رسیدگی به مسائل مربوط به دقت کم و سرعت تشخیص آهسته روش‌های تشخیص علائم راهنمایی استاندارد ارائه کرد.

این شبکه سرعت تشخیص علائم ترافیک را افزایش داد و نیازمندی‌های سخت‌افزاری سیستم تشخیص را کاهش داد. مطالعه دیگری [10] یک رویکرد تشخیص علائم ترافیکی مبتنی بر FasterRCNN پیشرفته، با بهبود 12.1 درصدی در mAP را پیشنهاد کرد، که با موفقیت به مسائلی مانند راندمان تشخیص پایین پرداخت و مطرح کرد. دقت تشخیص و تشخیص علائم راهنمایی و رانندگی

در [11]، مجموعه داده CCTSDB با گسترش مجموعه داده علائم ترافیکی چینی (CTSD) و به روز رسانی اطلاعات نشانگر بر اساس الگوریتم شناسایی هدف بهبود یافته YOLOv2 به دست آمد. مجموعه داده CCTSDB فقط شامل سه دسته از علائم راهنمایی و رانندگی است که برای تکمیل وظیفه چالش برانگیز تشخیص علائم راهنمایی و رانندگی کافی نیست.

مجموعه داده TheTT100K [12] که توسط دانشگاه Tsinghua و Tencent با همکاری ایجاد شد، از نمای چشم‌انداز نمای خیابان چین استخراج شد و طیف گسترده‌ای از نور و شرایط آب و هوایی را پوشش می‌دهد و آن را بیشتر نماینده محیط واقعی رانندگی می‌کند. مطالعه [13] از DenseNet به جای ResNet در شبکه اصلی YOLOv3 و به طور تجربی آن را در مجموعه داده TT100K تأیید کرد.

این الگوریتم عملکرد بلادرنگ مدل تشخیص را بهبود می‌بخشد، اما دقت و یادآوری زمانی که به اهداف کوچکی مانند علائم راهنمایی و رانندگی می‌رسد، پایین است، که حاکی از اشتباه جدی است.

وظیفه تشخیص اغلب در وظایف تشخیص هدف چالش برانگیزتر می شود، زیرا هدفی که باید شناسایی شود معمولاً بزرگ است و ویژگی های آن را می توان به راحتی استخراج کرد.

با توجه به ساختار FPN که YOLOv3 معرفی می کند، اکنون قادر به شناسایی اهداف در مقیاس های مختلف با استفاده از ترکیب ویژگی های چند مقیاسی است که برای صحنه های ترافیکی پیچیده مناسب است و در تشخیص اهداف کوچک نویدبخش است. با این حال، هنوز جایی برای بهبود در تصاویر با وضوح بالا مجموعه داده علائم ترافیکی TT100K وجود دارد.

در نتیجه، رویکرد مبتنی بر شبکه عصبی می‌تواند با موفقیت به مسائلی با راندمان تشخیص پایین، تشخیص از دست رفته و تشخیص نادرست رسیدگی کند و در عین حال دقت تشخیص و تشخیص علائم ترافیکی را نیز افزایش دهد.

روش‌های مبتنی بر شبکه عصبی نسبت به روش‌های سنتی دقت بهتر یا تشخیص سریع‌تری دارند، اما نمی‌توانند هم سرعت تشخیص و هم دقت تشخیص را به دست آورند. علاوه بر این، بیشتر تشخیص علائم راهنمایی و رانندگی از مجموعه داده های علائم ترافیک آلمان (GTSDB) استفاده می کند، و علائم راهنمایی و رانندگی در آلمان با چین متفاوت است؛ مطالعات کمتری در مورد تشخیص و تشخیص علائم راهنمایی و رانندگی در چین وجود دارد.

بنابراین، برای رفع مشکلات در روش‌های فوق، این مقاله از مجموعه داده TT100K برای آموزش و تشخیص علائم ترافیکی چینی و بهبود و تنظیم شبکه YOLOv3، عمدتاً با پیشرفت‌های زیر استفاده می‌کند:

(1) چهارمین مقیاس پیش‌بینی ویژگی با اندازه 152 × 152 را به ساختار شبکه YOLOv3 اضافه کنید تا از ویژگی‌های سطحی در شبکه برای پیش‌بینی اهداف کوچک بهره کامل ببرید. برای دستیابی به ادغام ویژگی های محلی و جهانی، ساختار هرمی فضایی ترکیب شده است.

(2) فاصله بین هدف و لنگر، نرخ همپوشانی و مقیاس، همه در هنگام استفاده از افت DIoU برای همگرایی سریع‌تر و رگرسیون قاب هدف سازگارتر در نظر گرفته می‌شوند. این باعث می شود رگرسیون فریم هدف پایدارتر شود.

(3) اکثر علائم راهنمایی و رانندگی در مجموعه داده TT100K، اهداف کوچک و متوسط ​​هستند و تنها چند هدف بزرگ دارند.

در نتیجه، استفاده از لنگر اصلی گزینه مناسبی نیست. الگوریتم خوشه‌بندی K-means برای محاسبه مجدد 12 لنگر برای مجموعه داده TT100K استفاده می‌شود و استراتژی افزایش داده برای متعادل کردن و افزایش تعداد نامتعادل مجموعه داده‌ها از دسته‌های هدف استفاده می‌شود.

For more information:1950477648nn@gmail.com