Resumen

El reconocimiento de semáforos es una tarea esencial para los sistemas avanzados de asistencia a la conducción (ADAS) y para los vehículos autónomos. Recientemente, el aprendizaje profundo se ha vuelto cada vez más popular en el reconocimiento de objetos basado en la visión debido a su alto rendimiento de clasificación. En este estudio, investigamos cómo diseñar un sistema de detección de semáforos de alto rendimiento basado en aprendizaje profundo. Se investigan dos componentes principales del sistema de reconocimiento: el espacio de color del vídeo de entrada y el modelo de red de aprendizaje profundo. Aplicamos seis espacios de color (RGB, RGB normalizado, RYG de Ruta, YCbCr, HSV y CIE Lab) y tres tipos de modelos de red (basados en los modelos Faster R-CNN y R-FCN). Todas las combinaciones de espacios de color y modelos de red se implementan y prueban en un conjunto de datos de semáforos con una resolución de 1280×720. Nuestras simulaciones muestran que el mejor rendimiento se obtiene con la combinación del espacio de color RGB y el modelo Faster R-CNN. Estos resultados pueden servir de guía para diseñar un sistema de detección de semáforos.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:r más rápido, espacios de color, modelos de red, sistema avanzado de asistencia a la conducción, rendimiento del sistema de detección de semáforos, sistema de detección de semáforos, espacio de color rgb, conjunto de datos de semáforos, rgb, aprendizaje
• Keywords:faster r, color spaces, network models, advanced driving assistance system, performance traffic light detection system, traffic light detection system, rgb color space, traffic light dataset, rgb, learning