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

研究了基于自動駕駛和輔助駕駛技術(shù)的交通信號燈檢測技術(shù)。此技術(shù)利用來自路面場景的虛擬數(shù)據(jù)，在照亮的交通信號燈周圍自動生成邊界，訓(xùn)練了一個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)分交通信號燈信號（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別到全自動駕駛級別的多種自主性應(yīng)用。

在訓(xùn)練數(shù)據(jù)中，使用了大量的假性例子（無交通信號燈的圖像）而非真性的例子（交通信號燈圖像），因?yàn)樵谟行┣闆r下探測到的不是交通信號燈，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燈信號數(shù)據(jù)，其中無交通信號燈的圖像數(shù)量大于有交通信號燈的圖像數(shù)量。

未來的工作將會擴(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。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