TX2 YOLOv3一种基于 平台的改进 红绿灯检测算法

100101） （北京联合大学，北京市信息服务工程重点实验室，北京

【摘要】针对采用嵌入式平台TX2检测红绿灯时存在存储容量小、算力有限的问题，提出一种改进YOLOv3红绿灯检测算法。从获取最优锚框尺度、裁减网络大尺度检测分支、模型剪枝压缩3个方面对YOLOv3算法进行改进，在自制数据集下进行模型训练，在离线数据测试中，模型的平均精度提高了34%，参数量压缩至11.9%，帧速率可达18帧/s，在实际环境测试10 km中，对不规则摆放的园区红绿灯以及 实际路段下红绿灯的正确识别率分别为94.75%、92.7%。主题词：红绿灯识别 YOLOv3 TX2平台 锚框 模型压缩TP399 A 10.19620/j.cnki.1000-3703.20200719中图分类号： 文献标识码： DOI:

1 前言

利用图像处理技术对红绿灯进行实时检测是无人

2

驾驶技术的研究热点。目前，该检测方法分为 类，即基于模型的方法和基于学习的方法。对于前者，已经开

Chen展了大量的研究工作并提出了许多方法： 等[1]利用

HSI（Horizontal Situation Indicator）

色彩空间 和方向梯度

Histogram of Oriented Gradients，HOG）

直方图（ 特征对红

Shi

绿灯进行检测； 等[2]采用背景抑制算法和颜色直方图

Tran信息对红绿灯进行检测； 等[3]采用基于颜色密度的

Haltako识别算法完成红绿灯目标检测； 等[4]采用语义分割以及颜色特征分类器完成红绿灯目标分类；宋永超等[5]提出了一种基于色度方向角的离线红绿灯检测算法。随着人工智能技术的不断进步，基于学习的方法也

Wang被应用到了红绿灯检测中： 等[6]采用双通道机制和

V. John深度神经网络完成了红绿灯检测； 等[7]提出了一种结合显著图的深度学习红绿灯检测方法。使用基于模型的检测方法在复杂背景下存在抗干

* - BPHR2020BZ01）； 61871038，基金项目：北京联合大学人才强校优选 拔尖计划项目（ 国家自然科学基金项目（ 61871039）； XP202017）；北京联合大学学科、平台、团队一体化建设研究项目（ 北京联合大学研究生科研创新资YZ2020K001）助项目（ 。1973—）， yuansheng@buu.edu.cn通讯作者：刘元盛（ 男，河北邢台人，教授，硕士研究生，研究方向为无人驾驶， 。2021 8年 第期