基于深度学习的大规模交通标志识别（附6GB交通标志数据集）

01

1、文章信息

《Deep Learning for Large-Scale Traffic-Sign Detection and Recognition》。

国外学者2020年发在IEEE Transactions on Intelligent Transportation Systems上的一篇文章。

01

2、摘要

交通标志的自动检测与识别在交通标志库存管理中起着至关重要的作用。它提供了一种精确、及时、节省人力的方式来管理交通标志库存。在计算机视觉领域，交通标志的识别与检测是一个备受关注的研究课题。绝大多数现有的方法在先进的驾驶员辅助和自动驾驶系统所需的交通标志上表现良好。然而，这代表了相对较少的所有交通标志(几百个交通标志中只占50个左右)为了消除交通标志库存管理中的人力劳动，需要对剩余的交通标志进行性能测试，这仍然是一个悬而未决的问题。在本文中，我们解决了检测和识别大量适合于交通标志库存管理自动化的交通标志类别的问题。我们采用卷积神经网络(CNN)方法，即Mask R-CNN，通过自动端到端学习来解决检测和识别的整个流程。我们提出了几个改进以评估检测结果，提升了整体性能。该方法可用于检测新数据集中的200个交通标志类别。结果展示了既有工作没有考虑的具有高度挑战性的交通标志类别工作。我们综合分析了深度学习法检测类别内外观变化较大且错误率低于3%的交通标志的方法，为交通标志库存管理的实际应用提供了充分的依据。

01

3、简介

正确管理交通标志库存是保证交通流安全高效运行的重要任务。这个任务通常是手动执行的。交通标志由车载摄像机捕捉，人工定位和识别由操作员离线执行，以检查与现有数据库的一致性。然而，当应用于数千公里的道路时，这种手工工作可能非常耗时。自动化此任务将显著减少大量的人工工作，通过快速检测损坏或丢失的交通标志来提高安全性。

实现这一任务自动化的关键一步是用自动检测代替人工定位和识别交通标志。在计算机视觉领域中，交通标志识别问题已经得到了的广泛关注，并提出了优秀的检测和识别算法。但这些解决方案只针对一小部分类别，主要针对与先进的驾驶员辅助系统和自动驾驶车辆相关的交通标志。

检测和识别大量的交通标志类别仍然是一个开放的问题。之前的各种基准测试已经解决了交通标志识别和检测任务[9]-[13]。然而，其中有几个只关注交通标志识别(TSR)，而忽略了更复杂的交通标志检测(TSD)问题，即需要找到一个准确的交通标志位置。解决TSD的其他基准测试大多只覆盖交通标志类别的一个子集，这些类别通常对自动驾驶汽车及其应用非常重要。在这样的基准中出现的大多数类别都有一个独特的外观，类别间的差异很小，可以使用手工制作的检测器和分类器来检测。例如圆形的强制标志或三角形的禁止标志。然而，许多其他的交通标志类没有包括在现有的基准测试中，因为它们在外观上有很大的差异，所以很难检测到它们。这些类别的实例可能具有不同的实际大小、长宽比、颜色，并且可能包含不同的文本和符号(例如箭头)，这些文本和符号在同一个类的实例之间存在显著差异。这往往导致很大程度的类内外观变化，同时导致类间的外观变化程度较低。

用手工制作的特性和分类器修改现有的方法来处理这些类别是一种选择;然而，这将是一项耗时的任务，特别是考虑到许多交通标志的外观在国家之间并不一致。更明智的方法是使用基于实际例子的特征学习。这可以很容易地适应和捕捉大量交通标志外观的高度可变性。近年来，深度学习在一般目标的检测和识别方面取得了可喜的进展。之前的工作已经在一定程度上采用了深度学习的方法对交通标志进行检测和识别;然而，他们的评估只集中在交通标志类别的一个高度有限的子集，阻止深度学习应用于大量交通标志类别的主要限制之一是缺乏具有数百个不同类别和每个类别足够数量实例的广泛数据集。这个问题在深度学习中尤为重要，因为模型中有数千万个可学习的参数，需要大量的样本来防止过拟合。

在本文中，我们解决了基于道路的交通标志库存管理中大量的交通标志类别的学习和检测问题。作为我们的主要贡献，我们提出了一个基于深度学习的系统，使用卷积神经网络学习大量的交通标志类别。我们的系统基于最先进的检测Mask R-CNN[14]，它在物体检测领域显示出了很高的准确性和速度。相同的网络架构不仅用于TSR，还用于使用区域建议网络进行精确定位，从而实现高效的端到端学习。相比传统方法,卷积的方法应用于更广泛的类别,单个交通标志实例不局限于光照条件、规模、视角、模糊和遮挡、显著intra-category以及低inter-category等的变化。此外，我们还提出了改进R-CNN的方案，这对于交通标志领域至关重要。我们提出了提高召回率的改进方案，特别是针对小型交通标志，并介绍了一种适用于交通标志类别的新型增强技术。

作为我们的第二个贡献，我们提出了一个具有挑战性的新数据集，它包含200个交通标志类别，13000个交通标志实例和7000张高分辨率图像。该数据集为复杂的交通标志检测和识别任务提供了一个新的基准，大量的类具有低类别间和高类别内的外观可变性，此外，数据集包含足够的实例，以确保适当地学习深层特性。为此，我们提供了200个交通标志类别的注释，每个类别至少有20个实例(见图1)。此外，我们的定性分析对于深度学习是否适合检测大量的交通标志类别起到了重要的研究作用。

01

4、数据获取

公众号后台回复 交通标志 即可获取下载链接。

01

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！