交通标志识别

交通标志识别

• 交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分
• 算法的准确率是交通标志识别一个十分重要的因素
• 算法的实时性决定了研究成果能否转化为具有实际应用价值的产品

基于深度学习的端到端实时目标检测方法

YOLO算法的基本思想

Darknet

一个轻型的开源深度学习框架
功能：CNN底层实现；YOLO目标检测；RNN；图像实例分割等
特点：
• 由C语言实现
• 没有依赖项 （摄像头和视频处理需要OpenCV） • 容易安装
• 移植性好 • 支持CPU与GPU(CUDA)两种计算方式

美国交通标志数据集：LISA

项目过程

1.安装darknet
2. LISA数据集格式转换及整理 （csv格式转换为PACAL VOC和YOLO格式）
3. 修改配置文件
4. 训练网络模型
5. 测试训练出的网络模型
6. 性能统计
7. 先验框聚类







目标检测数据集

• PASCAL VOC
• ImageNet
• COCO

PASCAL VOC challenge

网址: http://host.robots.ox.ac.uk/pascal/VOC/voc2012/

ImageNet数据集
ILSVRC 2010-2017
• ImageNet拥有用于分类、定位和检测任务评估的数据。
• 与分类数据类似，定位任务有1000个类别 。准确率是根据Top 5检测结果计算出来的。
• 对200个目标的检测问题有470000个图像，平均每个图像有1.1个目标

COCO
• MS COCO的全称是Microsoft Common Objects in Context，起源于是微软于
2014年出资标注的Microsoft COCO数据集，与ImageNet 竞赛一样，被视为是计
算机视觉领域最受关注和最权威的比赛之一。
• 在ImageNet竞赛停办后，COCO竞赛就成为是当前目标识别、检测等领域的一个最
权威、最重要的标杆，也是目前该领域在国际上唯一能汇集Google、微软、
Facebook以及国内外众多顶尖院校和优秀创新企业共同参与的大赛。
http://cocodataset.org/

COCO目标检测挑战

COCO（Common Objects in Context）数据集包含20万个图像
• 80个类别中有超过50万个目标标注。它是最广泛公开的目标检测数据库
• 平均每个图像的目标数为7.2

性能指标
• Precision, Recall, F1 score
• IoU (Intersection over Union)
• P-R curve （Precison-Recall curve） • AP (Average Precision)
• mAP (mean Average Precision)
• FPS (Frames Per Second)

混淆矩阵（confusion matrix）

• 准确率Precision(查准率)是评估预测的准不准（看预测列）
• 召回率Recall（查全率）是评估找的全不全(看实际行)

IoU (Intersection over Union )

AP (Average Precison)
用一个简单的例子来演示平均精度（AP）的计算。 假设数据集中总共有5个苹果。 我们收集模型为苹果作的
所有预测，并根据预测的置信水平（从最高到最低）对其进行排名。 第二列表示预测是否正确。 如果它与
ground truth匹配并且IoU≥0.5，则是正确的

Let’s compute the precision and recall value
for the row with rank #3.
Precision is the proportion of TP out of
(TP+FP)= 2/3 = 0.67.
Recall is the proportion of TP out of the
possible positives = 2/5 = 0.4.
Recall随着我们包含更多预测而增加，但Precision
会上下波动。