基于深度学习的交通灯识别方法研究

一些学者REF_Ref32727\r\h[1]提出了使用计算机视觉技术进行交通灯颜色检测的方法。其中，许多算法都是基于颜色空间的。颜色空间指一种特定的数学模型，用于表述和计算颜色的数量，它能够精确地描述颜色在数学上的表达形式。常见的颜色空间包括RGB、HSV和YUV等。在交通信号灯颜色的检测中，这些颜色空间可被使用来对图像中的像素进行颜色分类和鉴别，能够更准确地识别交通灯的颜色。在RGB颜色空间中，交通灯的颜色通常被定义为一组RGB值的范围。例如，红色的范围通常是(255,0,0)到(255,70,70)。当像素的RGB值在此范围内时，该像素将被分类为红色像素。这种方法的优点是简单易懂，但由于RGB颜色空间不够灵活，可能会导致颜色检测的准确性下降。HSV颜色空间是一种非常适合用于颜色分类的颜色空间，它比RGB颜色空间更加实用。HSV颜色空间用色相、饱和度和亮度三个参数来描述颜色。通过调整这三个参数的值，可以得到几乎任何颜色。例如，交通灯颜色可以定义为在HSV颜色空间中具有特定范围的色相值和饱和度值的像素。使用HSV颜色空间进行交通灯颜色检测可以提高算法的准确性。第二章：本章介绍了交通信号灯检测与识别技术方法，以及相关理论算法等内容，包括深度学习，卷积神经网络（CNN）以及YOLOv7算法，详细介绍了卷积神经网络的基本原理、卷积操作、池化操作激活函数、全连接层、前向传播与反向传播以及参数共享和稀疏连接等内容，同时介绍了数据集和数据增强方法。第三章：本章讨论如何改进交通信号灯检测模型YOLOv7，包括三种优化结构方法：高效扩展聚合网络、重参数化卷积和损失函数改进。同时，引入CBAM注意力机制提高模型对不同尺度特征的关注能力。第四章：本章介绍了仿真实验和结果分析，主要内容为信号灯检测模型YOLOv7与改进后的CBAM-YOLOv7对比试验，其中包括数据集测试对比、模型训练过程对比、模型训练结果对比以及模型训练混淆矩阵对比，后续介绍了系统实现。实验结果表明，改进后的模型在精度和速度上均有提升。卷积神经网络数据集介绍数据增强方法徐成,谭乃强,刘彦.基于Lab色彩空间和模板匹配的实时交通灯识别算法[J].计算机应用,2010,30(5):1251-1254.MuG,XinyuZ,DeyiL,etal.Trafficlightdetectionandrecognitionforautonomousvehicles[J].TheJournalofChinaUniversitiesofPostsandTelecommunications,2015,22(1):50-56.武莹,张小宁,何斌.基于图像处理的交通信号灯识别方法[J].交通信息与安全,2011,29(3):51-54.熊禹涵.基于深度学习的交通灯识别系统[J].通讯世界,2019,26(3):2周劲男.基于深度学习的智能交通灯控制方法探索[J].通讯世通讯世界,2020.13(3):7李苗苗.基于深度学习的连续行为识别方法研究[D].北京交通大学. 李江天,罗定生.一种基于YOLO深度学习架构的路口交通灯信息车辆间共享方法研究[J]系统科学与数学,2022,42(2):16.ZUOZ,YUK,ZHOUQ.TrafficSignsDetectionBasedonFasterR-CNN[C/OL]//2017IEEE37thInternationalConferenceonDistributedComputingSystemsWorkshops(ICDCSW).2017,21(3):286-288.朱信熙,张尤赛.基于HOG特征的实景交通标志检测[J].计算机与数字工程,2020,48(5):5.伍晓晖,田启川.交通标志识别方法综述[J].计算机工程与应用,2020,56(10):7.王莹，丁鹏.交通信号灯识别现状研究[J].科技传播，2018，10(15):123-124.李宗鑫，秦勃，王梦倩.基于时空关系模型的交通信号灯的实时检测与识别[J].计算机科学，2018，45(06):314-319.ACascadedR-CNNWithMultiscaleAttentionandImbalancedSamplesforTrafficSignDetection|IEEEJournals&Magazine|IEEEXplore.2022,35（2）:42-44.钱弘毅，王丽华，牟宏磊.基于深度学习的交通信号灯快速检测与识别[J].计算机科学，2019,46(12):272-278.Chine-YaoWang,AlexeyBochkovskiy,andHong-YuanMarkLiao.YOLOv7:Trainabl