基于改进SSD模型的交通标志检测算法

交通标志采集的环境较为复杂,使得采集到的交通标志样本在图像中所占的比例差异较大,若算法的候选区域与目标物体的尺寸差异较大,则会影响算法的检测效果。此外,在采集到的样本中,部分样本的交通标志在图像中所占的比例较小,导致算法较难检测到图像中的目标物体。针对上述问题,本文在SSD模型的基础上同时引入了FPN算法和Kmeans聚类算法,提出了基于改进SSD网络的交通标志检测算法。提出的方法通过FPN算法将网络深层信息逐层反卷积与前一层网络深度拼接,使模型能够融合多个卷积层的多尺度信息来增强特征的表达能力,并利用Kmeans聚类算法确定候选区域的默认窗口大小,得出较适合于当前数据集的比例值,提高了算法对小目标物体的检测准确率。通过在CCTSDB交通标志数据集上的实验结果表明,本文提出的算法在交通标志上有较好的目标检测效果。

基于改进ResNet的交通标识识别

本文针对自动驾驶场景下,提高交通标识识别速度和准确率的问题,提出一种基于Resnet的交通标识识别算法,与传统的图像识别算法相比拥有明显的优势。首先通过实验验证了预处理方法的有效性,然后使用VGG16和Resnetl8作为特征提取的基础网络进行了对比,经过实验得出Resne18在性能上和VGG16相比更有优势。在此基础之上增加了多尺度融合机制,进一步提升了网络的特征表达能力。在GTSDB德国交通标识检测基准数据集上的实验结果表明,该算法实现了复杂背景下交通标志的精准检测。

基于改进残差网络的交通标志识别算法

针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。