基于视觉图像与激光点云融合的交通标志快速识别方法

交通标志对车辆交通起到重要作用和意义,而智能交通中交通标志识别由于标志特征提取效果差,导致识别率低、识别时间长,因此,提出一种新的基于视觉图像与激光点云融合的交通标志快速识别方法。采用双边滤波方法预处理原始激光点云数据;通过归一化处理得到视觉图像激光点云融合的目标空间激光点云位置测距数值;通过测距值获取目标图像位置,归一化处理交通标志视觉图像,引入k均值聚类算法二聚类处理图像,采用制作的切割模板切割图像感兴趣区域,提取交通标志图像的深度特征,结合卷积神经网络二次过滤特征,重新标定二次过滤后的特征,最终利用卷积神经网络模型实现交通标志快速识别;经实验对比证明,采用所提方法提取各个类型交通标志特征的提取效果较好,并且识别率达到89.74%,识别时间仅为13.1 s,干扰下识别时间最高仅为15.1 s,验证了该方法可以快速且准确识别各个类型的交通标志。

交通标志的检测与识别方法研究综述

交通标志的检测与识别是当今目标检测领域一项较为关键的技术,在智能交通系统和辅助驾驶技术中发挥着重要作用。对交通标志检测与识别领域早期的传统方法和现阶段较流行的深度学习方法分别做了阐述和分析,相较于传统的交通检测和交通识别方法,基于深度学习的方法更能兼顾准确性和实时性,对于遮挡、光线变化、目标太小等情况有很好的鲁棒性。最后总结了国内外常用的交通标志数据集,并对深度学习方法在该领域的发展进行了展望。

基于几何透视图像预处理和CNN的全景图像交通标志识别算法

为解决深度学习方法在高清全景图像中检测交通标志遇到图形处理器资源不足、小目标容易漏检、检测速度过慢等问题,采用小目标过采样训练数据生成方法、图像分块和几何透视检测预处理方法以及改进的轻量神经网络Improved-Tiny-YOLOv3,提出了一种基于深度学习的轻量级全景图像中交通标志检测方法。并在Tsinghua-Tencent 100K数据集上进行了实验,mAP值达到92.7%,在Nvidia 1080Ti显卡上检测速度可达到20 FPS,实验结果验证了所提方法的有效性。

基于CF-YOLO的雾霾交通标志识别

针对现有交通标志检测模型在雾霾环境下出现漏检、错检以及参数较大等问题,设计一种基于YOLOv5s改进的CF-YOLO检测模型。为加强在雾霾环境中对交通标志的检测能力,提出一种基于颜色衰减先验的自适应伽马变换图像预处理算法;为增强对目标的定位能力及检测精度,将坐标注意力机制融合到网络中;为实现模型轻量化,引入FasterNetBlock构建网络。实验结果表明,改进算法在雾霾环境下交通标志检测相比原YOLOv5模型权重减少了2.3 MB,精度提高了8.5个百分点。

基于改进ResNet模型的交通标志识别算法

本文提出了一种基于改进残差网络ResNet50模型的图像识别方法。通过引入圆形LBP算法,提取图像内部的纹理信息构成纹理图谱;同时在网络中加入通道注意力机制(Efficient Channel Attention,ECA)提高模型性能,使得改进后的算法更适合识别交通标志。该方法在GTSRB和BelgiumTS交通标志数据集上的准确率分别达到99.7%和98.3%,有效提高了智能系统识别交通标志的准确率和驾驶的安全性。

融合RepVGG的YOLOv5交通标志识别算法

实现自动驾驶的安全性需要准确检测交通标志。针对传统方法在交通标志检测方面存在准确度不高的问题,提出一种融合RepVGG模块的改进YOLOv5的交通标志识别算法。首先通过将RepVGG模块替换原算法中的部分CBS模块,增强了特征提取能力。并在特征融合模块引入通道注意力模块(channel block attention module,CBAM),强化检测模型的抗干扰能力。最后,在网络训练过程中,使用高效交并比(efficient-IoU,EIoU)损失函数实现对目标更精确的定位,提高算法的检测精度与迭代速度。实验结果表明,改进后的YOLOv5算法迭代速度更快,在CCTSDB交通标志数据集上,其相较于原YOLOv5算法的准确率、召回率和平均准确率分别提升了4.99%、3.62%、1.73%,能够更好地应用到实践当中。

基于FMS-YOLOv5s的轻量化交通标志识别算法

针对目前的道路交通标志模型有着检测速度慢、模型大和参数多的缺点,提出了一种基于YOLOv5s算法的轻量化交通标志识别算法。首先引入轻量化FasterNet网络,利用该网络中的FasterNet Block结构与原主干网络的C3融合,形成一种全新的C3Faster结构;接着将原网络的损失函数修改为基于最小点距离(MPDIoU)的损失函数,来提高边界框回归的准确性和效率;最后结合高效且轻量的置换注意力机制(shuffle attention,SA),提高模型的泛化能力和稳定性。在CCTSDB 2021数据集上的实验结果表明,与原网络相比,改进后模型的参数量、模型大小、GFLOPs分别减少了17.5%、17.5%和20%;同时mAP@0.5、mAP@0.75、mAP@0.5:0.95分别提升了2.3%、3.4%和2.4%。而且与YOLOv3-tiny等其他算法对比,所提出的算法有明显的优越性,能满足各种场景下移动端实时性的需求。

基于雾天交通标志识别算法的研究

针对雾霾天气导致交通标志难以被准确识别的问题,本文提出在雾霾天气下快速实现交通标志检测识别算法的研究。通过全局直方图均衡、局部直方图均衡、单尺度Retinex和多尺度Retinex四种去雾算法实现含雾图像的去雾处理。采用YOLOv1目标检测算法对交通标志目标进行精准定位和检测。通过Alex-Net分类识别模型实现对LISA交通标志数据集中14类交通标志的识别。结果表明,本文的方法能使快速准确地对雾天交通标志进行检测、分类和识别。

基于改进YOLOv8的交通标志识别算法

针对交通标志识别算法计算量较大、结构复杂及部署应用时对硬件性能要求较高的问题,文章提出了基于YOLOv8n算法改进的YOLOv8-MixGhost交通标志识别轻量化算法,该算法针对YOLOv8算法中的特征提取模块C2f和解耦头计算量较大的问题,提出了轻量化的特征提取模块MixGhost和轻量化的识别头SEG_Head。在TT100K数据集上进行实验,YOLOv8-MixGhost算法在平均识别精度较YOLOv8n分别提高了0.8%,但计算量是YOLOv8n的82.7%,参数量和模型大小分别较YOLOv8n降低了0.54 M和1.1 M。

基于多尺度融合和特征对齐的实时高精度交通标志检测与识别

高精度的实时交通标志检测和识别对安全自动驾驶和智能交通系统至关重要。本研究对基线网络YOLOV4进行了升级,增加了多尺度融合模块和注意力机制模块(AMM),丰富了不同尺度交通标志的特征表示。同时,颈部网络结合了特征选择模块和特征对齐模块,增强了高、低层特征图之间像素偏移的语义判别。具体地说,针对AMM,设计了一种转置的自注意力操作。其使用互协方差矩阵将令牌维度上的操作转换为通道维度,将时间复杂度从O(n^(2))降低到O(n)。在TT100K交通标志数据集上的实验结果表明,与基线网络(mAP@0.5=76.4%)相比,升级后的网络(mAP@0.5=83.4%)取得了较好的改进,检测和识别速度可达39.45帧/秒,达到了目前最先进的水平。

基于深度学习的交通标志检测与识别方法研究

为克服交通标志检测与识别中交通标志目标小、尺寸多样、获取相关特征信息困难且易受到复杂背景干扰等挑战,基于YOLOv5s网络提出一种基于深度学习的交通标志检测与识别方法。针对当前交通标志识别算法在背景复杂的小目标识别方面存在的问题,将置换注意力机制嵌入YOLOv5s模型主干网络末端的C3层,提出了一种基于注意力机制的交通标志检测与识别算法,以提高对关键区域的聚焦能力,有效消除背景噪声干扰。针对目前目标检测算法在处理尺寸多变的交通标志图像时存在特征融合局限性的问题,提出了加权特征融合网络算法。该算法使主干网络中包含丰富语义信息的同尺寸浅层特征图,分别与深层的中等和大目标检测层进行加权融合,以增强多尺寸特征融合能力。实验结果表明,改进后算法在交通标志检测数据集CCTSDB 2021上,相较于原YOLOv5s方法,精确度和召回率分别提升了0.5个百分点和3.6个百分点,平均精度提升了2.8个百分点,检测速度达到123.46帧/s。因此,提出的算法能够有效提高交通标志检测和识别的准确性,同时保持原有的检测速度。

复杂光照下的交通标志检测与识别

针对不同光照下交通标志图像检测与识别困难的问题,提出一种基于Retinex-Gamma的光照图像增强算法,该算法与Mask R-CNN相结合,称为Retinex-Gamma-Mask R-CNN算法.首先,基于光照反射成像模型将图像RGB空间转换为HSV空间,对V通道进行多尺度高斯滤波处理获得光照分量,利用光照分量提取反射分量,并对反射分量进行线性拉升优化;其次,利用光照分量的分布特征进行二维Gamma函数调整,并获得优化后的亮度分量;最后,利用混合空间增强法获得增强后的V通道,重新构造图像.实验采用的ZCTSDB数据集共有15724幅图像,包含不同光照的驾驶环境.实验结果表明,与标准Mask R-CNN相比,Retinex-Gamma-Mask R-CNN算法对交通标志的目标检测的均值平均精度提升了0.161%,对交通标志的实例分割的均值平均精度提升了0.363%.

基于Cache-DCN YOLOX算法的交通标志检测方法研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种基于Cache-DCN YOLOX算法的交通标志识别方法;在该方法中,使用DCN可变形卷积替换backbone中的普通卷积,有效地增大了模型的感受野,提高了特征提取能力;使用EIoU损失函数代替YOLOX中的GIoU损失函数,优化了训练模型,提高了收敛的速度;优化设计了YOLOX算法中的强弱两阶段的训练过程,增强了模型的泛化性能,同时加入cache方案,进一步提高了检测精度;在交通标志数据集TT100K上进行了实验,提出方法的检测精度为67.2%,比原YOLOX算法的检测精度提升了6.4%,同时,在被遮挡的小目标等多种受干扰的环境下,提出的方法能够精确地检测出交通标志,并有着较好的置信度,满足实际需求。

一种结合ResNet和迁移学习的交通标志识别方法

针对当前传统的交通标志识别算法训练耗时长、精度低等问题,提出了一种结合ResNet和迁移学习的交通标志识别模型。首先在模型中引入已经在ImageNet图像数据集上训练好的ResNet网络权重,冻结卷积层参数,将网络作为模型的特征提取器;其次为模型设计全连接层,分别使用不同大小的数据集和数据扩充前后的数据集微调全连接层参数;然后设置不同大小的学习率,在学习率固定和学习率衰减2种条件下训练模型;最后在测试集上测试模型,输出分类结果。测试结果表明,该方法对交通标志的识别准确率达到97.60%,指示标志、警告标志、禁令标志3类交通标志的F1得分分别达到96.86%、99.37%、96.53%,说明该模型具有较高的交通标志识别准确率。

基于迁移学习的交通标志识别系统设计

针对自动驾驶领域对交通标志识别的需求,设计了一种基于迁移学习的交通标志识别系统。该系统采用了预训练的MobileNetV3(去掉输出层)作为特征提取网络,然后添加两个自定义的全连接层以实现信号的分类和输出。由于采用迁移学习方法,深度学习网络中需训练的模型参数大幅减少,训练所需时间大为缩短。该系统使用经典的中国交通标志数据库(CTSDB)中的数据作为交通标志的训练数据和测试数据,训练结果表明,损耗低至0.024 3,准确率高达99.88%;测试结果表明,可以对58类交通标志进行识别,准确率为55.3%。

交通标志识别综述

准确且快速的交通标志识别系统是无人驾驶邻域所亟需解决的问题。而交通标志识别的过程主要为对交通标志的预处理以及检测识别。文章首先对交通标志预处理的重要性以及近年来预处理方法进行阐述,之后对交通标志检测和识别方法进行了综述,重点介绍了基于特征提取和深度学习的交通标志识别方法。最后对交通标志识别技术在现实应用中的不足做出总结。

基于改进卷积神经网络的交通标志识别分类方法

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,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明:优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测深度学习网络模型体积大、参数多,难以满足在计算资源有限的移动设备和嵌入式设备中部署的问题,提出一种基于YOLOv5的轻量化交通标志检测模型。该模型利用GhostNet思想重新建构YOLOv5网络,同时在特征提取层引入坐标注意力机制(coordinate attention, CA),并将原边框损失函数CIOU替换为SIOU,最后使用NVIDIA的加速推理框架TensorRT对改进模型加快推理速度。在CCTSDB2021交通标志数据集中验证了改进模型的可行性,实验结果表明,改进模型较于原模型,模型大小减小了53.5%,参数量压缩了50%,而精度仅损失0.1%,且模型推理速度提升了2%;经过TensorRT加速推理后,推理速度甚至提升了57.4%,达到了4 ms。改进模型实现了模型的轻量化,精度损失小,推理速度快,相比原模型更适合部署到嵌入式移动设备中。

基于YOLOv4-tiny改进的交通标志识别算法

针对交通标志目标识别精度较低、速度慢并且模型参数量过大的问题,论文提出一种改进YOLOv4-tiny识别算法,在特征提取阶段引入深度可分离卷积轻量化主干网络并降低模型的参数量和计算量。在特征融合阶段使用递归特征金字塔(RFP)进行多尺度特征融合。在TT100K数据集上验证改进算法的平均精度均值达到88.5%,相比YOLOv4-tiny提升4.6%,模型大小仅为17MB是YOLOv4-tiny的56%,改进算法降低了模型大小和计算量并提升检测精度和速度。

基于YOLOv5的雾霾天气下交通标志识别

针对雾霾天气下道路交通标志识别难度大、精确度较低的问题,提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制,在空间维度和通道维度上进行特征增强,抑制雾霾天气对模型的干扰;然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征,减少目标信息丢失;并选用CIoU作为YOLOv5的损失函数提高定位能力;使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值,加快模型收敛速度。实验结果表明,改进后模型识别精度达到92.5%,比YOLOv5提升5.6%,在雾霾天气下仍能准确识别交通标志,速度达27 FPS,能够进行实时检测。