基于深度学习和虚拟数据的交通信号灯检测技术研究

基于深度学习和虚拟数据的交通信号灯检测技术研究

研究了基于自动驾驶和辅助驾驶技术的交通信号灯检测技术。此技术利用来自路面场景的虚拟数据，在照亮的交通信号灯周围自动生成边界，训练了一个8层的深层神经网络，其预先没有经过用于区分交通信号灯信号（绿、黄、红）的训练。使用虚拟数据进行训练之后，利用从车辆前方摄像头收集的真实数据进行神经网络的测试。

新的区域提取技术使用色彩空间转换和轮廓提取技术来识别候选区域，以供深层神经网络进行分类。根据一天早中晚对应的环境变化转换RGB（红黄蓝合成的颜色）图像，以便更准确地提取相关的有用区域，并根据颜色、形状和大小进行过滤，这些候选区域将被送入深层神经网络。着重研究了敏感区域处理方法，该方法可以将假阴性和假阳性的候选区域最小化，然后将其送给深层神经网络进行分类。此解决方案可用于从驾驶员辅助级别到全自动驾驶级别的多种自主性应用。

在训练数据中，使用了大量的假性例子（无交通信号灯的图像）而非真性的例子（交通信号灯图像），因为在有些情况下探测到的不是交通信号灯，因此希望在训练数据中有相似的分布。相等数量示例训练的神经网络比数据集上训练的神经网络具有更多的非交通信号灯信号数据，其中无交通信号灯的图像数量大于有交通信号灯的图像数量。

未来的工作将会扩展虚拟和现实世界的数据集，以解决所有的变化，并消除误报。此外，应扩展数据集，包括左转和右转的转弯箭头。

Maryam Moosaei.SAE 2017-01-0104.

编译：贾春辉