【基于YOLOv3的交通标志检测算法分析案例1500字】

基于YOLOv3的交通标志检测算法分析案例1.1实验环境与模型训练通过对CCTSDB及补充的自建的数据集进行交通标志数据类别的进行分析，目前标注的数据有三大类，分别为指示标志、禁止标志和警告标志。实验平台的操作系统为windows10，并使用GPU对模型进行训练，GPU类型为NVIDIATeslaV100-PCIE-32GB显卡，使用python3.6编写脚本进行预数据数据处理以及得到最终结果，开发语言以python语言为主。模型实现为基于Keras的学习框架，搭建低复杂度的特征金字塔网络模型对交通标志进行检测。将文中第三章中制作出的数据集，按照80%和20%的比例拆分为训练集和测试集进行训练，以及用于测试YOLOv3目标检测算法对于交通标志图像的检测。模型训练采用Adam梯度下降方法，利用梯度的一阶矩估计和二阶矩估计自适应的调整每个参数的学习步长，Adam衰减系数为0.9，并设定批处理尺寸batch_size冷冻训练前为2，冷冻训练后的值为1，每次迭代（epoch）均随机排列数据集。将width与height都设为608。将最大迭代次数max_batches设定为34000，学习率变动步长steps设为max_batches的80%和90%，即steps=27200,30600。训练终止条件为损失函数的值几乎保持不变，即当最大迭代次数达到34000次时终止学习。由于整个训练过程使用GPU进行，故修改configs文件的参数为GPU=1和CUDNN=1。在整个实验中，需对YOLOv3、FasterR-CNN以及后续优化的模型在同一GPU服务器中进行训练。在本小节训练中，应用到了Tensorboard工具包，Tensorborad是Tensorflow中应用十分广泛的一个可视化工具包，可以显示训练中各层参数的变化情况。在训练过程中，对各层参数变化图进行锐化选择，可以去除参数图像的波动噪声，生成平滑的曲线。可以看到训练过程的权重变化，模型的损失值loss和学习率lr图像如图4-4所示。（a）模型损失值loss图像（b）模型学习率lr图像图4-4模型损失值loss和学习率lr的图像1.2实验结果YOLOv3目标检测模型对于各种复杂环境（曝光充足、运动模糊、曝光不足、大雪天气、大雾天气以及摄像头的实时检测）情况下的交通标志识别结果如图4-5至图4-10所示。⑴曝光充足（b）图4-5曝光充足的场景下检测效果图⑵运动模糊（b）图4-6运动模糊的场景下检测效果图⑶曝光不足（a）（b）图4-7曝光不足的场景下检测效果图⑷大雪天气（a）（b）图4-8大雪天气的场景下检测效果图⑸大雾天气（a）（b）图4-9大雾天气的场景下检测效果图⑹摄像头实时检测（a）（b）图4-10大雪天气的场景下摄像头实时检测效果图针对上述的几种复杂环境，YOLOv3模型表现出了不同的识别效果。在曝光条件较好的情况下，识别效果较为稳定，表现出了较快的识别速率；在复杂环境中，如运动模糊、曝光不足、大雪天气和大雾天气中，识别效果不是十分的稳定，YOLOv3会因为交通标志处于的环境较为复杂，特征相对不够明显，因此导致识别的效果略有减弱。在检测时间上，YOLOv3对于复杂环境下的交通标志平均检测时间可以达到0.033s，与曝光条件较好的识别速度基本一致。在摄像头的实时检测效果中，也基本能达到所要求的识别效果，出现的问题和图像识别基本一致，可能会出现漏检以及识别率不高的情况。该算法在无人驾驶汽车中的交通标志识别系统（TSR）可以有工程应用价值。接下来对YOLOv3模型对复杂环境的检测结果进行评价，输出的交通标志图像三个类别准确率AP和平均准确mAP图像如图4-11所示。图4-11YOLOv3平均准确率mAP图像通过图4-11可以看出，YOLOv3关于复杂环境下的交通标志图像三个类别准确率AP和平均准确率mAP。警告标志的准确率AP达到了96%，指示标志的准确率AP达到了95%，禁止标志的准确率AP达到了95%。同时，YOLOv3对于复杂环境下的交通标志图像平均准确率mAP达到了95.53%，基本可以达到复杂环境下对交通标志图像识别的效果，但相关性能并不突出。本组实验可以表明YOLOv3模型对于曝光情况较好的目标还