基于视觉的交通信号实时检测技术研究

Self-driving car is one of the important development directions in today's advanced technology. Traffic signal recognition based on computer vision is one of the core parts of self-driving car. There are problems such as small targets, real-time performance and annotated data sets. This project will utilize annotated data to construct the semi-automatic labeling system, improve the number of existing traffic signal annotation data set. We exploit the multi-scale and image pyramidal hierarchy to construct feature pyramids, this will make existing network structure adapt for small target detection. Reform the existing detection algorithm's structure to reduce detection computation, while keep the accuracy constant, in the limited computing resources environment. Finally promote traffic signal recognition technology is widely used on the self-driving car.

无人驾驶汽车是当今前沿科技的重要发展方向，基于视觉的交通信号识别是无人驾驶的核心技术之一，目前存在诸如小目标难以检测，实时性能不高和标注数据集等问题，本项目拟通过现已具备的标注数据构建半自动标注系统，完善现有交通信号标注数据集；拟通过图像分块和特征金字塔融合多层特征，丰富不同尺度下的特征语义信息，解决现有网络结构对于小目标检测的难题。在车载有限计算资源环境下拟通过改变现有检测算法中池化层前的网络结构，减少网络的计算量提升检测速度，促进交通信号识别技术在无人驾驶车辆上广泛应用。

无人驾驶汽车是当今前沿科技的重要发展方向，基于视觉的交通信号识别是无人驾驶的核心技术之一，目前存在诸如小目标难以检测，实时性能不高和标注数据集等问题。本项目的研究内容包括完善交通信号数据集，丰富现有的标注数据；融合道路先验信息提升交通信号的识别准确率；在车载有限计算资源环境下实现交通信号目标检测速度和精度的平衡。目前已经实现对交通信号数据集的扩充，构建了一个较完善的交通信号数据集，并且已经公开；基于交通标志牌的颜色信息实现了基于感兴趣区域的交通标志牌实时检测系统，能够实现对交通标志牌的实时快速检测；基于路口的先验信息，实现对交通场景中交通标志牌和信号灯的检测，能够实现对路段内交通标志牌的快速检测，路口处交通信号灯的准确检测；基于路口先验信息实现对交通信号灯区域的确定，减少路口区域的干扰信息，提升了交通信号灯路口处的检测准确率；针对交通信号灯检测过程中会出现诸如汽车尾灯、交通场景颜色的干扰，提出了基于混合模型的交通信号灯识别方法，充分利用交通场景中的语义信息；基于交通标志牌的颜色信息，融合交通场景图像的获取特点，实现了一种更有效的交通标志牌感兴趣区域检测方法；在基于单阶段的检测网络中融入注意力机制并利用CIoU改进损失函数，达到了检测精度和速度的平衡；提出了改进的基于知识蒸馏的目标检测模型，能够提升紧凑模型的检测精度和速度性能；针对交通标志检测中存在的目标尺度差异大、小目标多、数据不均衡等特点，本项目提出了改进 Libra R-CNN 网络的方案，并验证了本方法的有效性。基于本项目的研究成果，能够促进交通信号识别技术在无人驾驶车辆上广泛的应用。