基于ResNet网络的红绿灯智能检测算法研究
2021-10-19郭瑞香
郭瑞香
(闽南师范大学信息化建设与管理办公室,福建漳州363000)
据英国《柳叶刀·全球卫生》新刊载的研究报告预计,若不加强盲人的眼疾治疗,全球盲人数量2050年将增至1.15 亿,比现有的4 500 万多1.76 倍.在交通如此发达的情况下,盲人由于视觉缺失,无法直接观察周围的环境,必须借助导盲基建和辅助设备进行户外活动,但现有导盲辅助设备对红绿灯设备信息获取能力有限,盲人在单独出行时将隐藏极大的不便性和危险性.基于深度学习提出红绿灯目标检测方法.利用PaddlePaddle 深度学习平台对红绿灯目标检测模型进行训练并调整参数进行优化,得到红绿灯准确检测结果.
1 目标检测方法
目标检测算法分为单阶段模型和两阶段模型.单阶段检测算法有SSD 和Yolo模型,它们只需要使用一个网络就能在图像上产生候选区域,并预测出候选区域中包含物体的类别和位置.两阶段RCNN[1]和SPPnet算法则是先在图像上产生候选区域,再对候选区域进行分类并预测目标物体位置.2015年,Joseph等提出Yolo(You Only Look Once,Yolo)算法,也被称为Yolo V1;2016年,他们对算法进行改进,又提出Yolo V2版本;2018年发展出Yolo V3版本.Yolo V3[2]的推理速度快于SSD 3倍,如表1.基于Yolo V3单阶段算法,分别使用DarkNet53、ResNet34单个网络结构提取特征网络,产生一个正的候选区域,比RCNN产生候选框数量较少,精度速度性价比较高,能达到实时响应的水平.

表1 Yolo MAP&FPSTab.1 Yolo Map&FPS
2 Yolo-V3模型设计思想
Yolo V3模型借鉴了金字塔特征图思想,使用小尺寸特征图来检测图像中大尺寸物体,使用大尺寸特征图检测小物体.其算法使用了多个标签分类方法,根据候选框与真实框的接近程度进行分类,把足够接近真实框的候选区域标注为正样本,并通过卷积网络预测候选框的位置和类别,同时获得真实框相对预测框的标签值;……
