基于改进YOLOv5s的交通标识检测算法

针对交通标识在图像中占比小、检测精度低且周围环境复杂等问题,提出一种基于改进YOLOv5s的算法.首先,在主干网络部分添加注意力机制ECA(Efficient Channel Attention,高效通道注意力),增强网络的特征提取能力,有效解决了周围环境复杂的问题;其次,提出HASPP(Hybrid Atrous Spatial Pyramid Pooling,混合空洞空间金字塔池化),增强了网络结合上下文的能力;最后,修改网络中的Neck结构,使高层特征与底层特征有效融合,同时避免了跨卷积层造成的信息丢失.实验结果表明,改进后的算法在交通标识数据集上取得了94.4%的平均检测精度、74.1%的召回率以及94.0%的精确率,较原始算法分别提升了3.7、2.8、3.4个百分点.

基于深度强化学习的交通标识检测算法优化与实践研究

交通标识是道路交通系统的重要组成部分,在实际应用中,交通标识主要存在于室外,极易受到光照、雨雾等因素的影响,导致图像采集质量参差不齐。同时,由于拍摄角度、距离、对焦等因素的影响,获取的图像不够高清,这对交通标识的检测带来巨大挑战。为了解决交通标识检测问题,在深度强化学习基础上,结合当下经典目标检测算法进行深入分析,以YOLOv5,YOLOv5-Tiny作为基础网络模型,经过算法改进与优化,结果表明交通标识检测精度得到较大的提升,可以在复杂的环境条件下精准地对交通标识进行检测,并且检测具有较强的实时性以及较高的实用价值,符合交通标识检测对算法精度的要求。

基于感兴趣区域和HOG-MBLBP特征的交通标识检测

交通标识检测中样本类别间的不平衡常常导致分类器的检测性能弱化,为了克服这一问题,该文提出一种基于感兴趣区域和HOG-MBLBP融合特征的交通标识检测方法。首先采用颜色增强技术分割提取出自然背景中交通标识所在的感兴趣区域;然后对标识样本库提取HOG-MBLBP融合特征,并用遗传算法对SVM交叉验证进行参数的优化选取,以此来训练和提升SVM分类器性能;最后将提取的感兴趣区域图像的HOG-MBLBP特征送入训练好的SVM多分类器,进行进一步的精确检测和定位,剔除误检区域。在自建的中国交通标识样本库上进行了实验,结果表明所提方法能达到99.2%的分类准确度,混淆矩阵结果也表明了该方法的优越性。

L-YOLO:适用于车载边缘计算的实时交通标识检测模型

在车载边缘计算单元中,由于其硬件设备的资源受限,开发适用于车载边缘计算的轻量级、高效的交通标识检测模型变得越来越迫切。文中提出了一种基于Tiny YOLO改进的轻量级交通标识检测模型,称为L-YOLO。首先,L-YOLO使用部分残差连接来增强轻量级网络的学习能力;其次,为了降低交通标识的误检和漏检,L-YOLO使用高斯损失函数作为边界框的定位损失。在TAD16K交通标识检测数据集上,L-YOLO的参数量为18.8 M,计算量为8.211 BFlops,检测速度为83.3 FPS,同时mAP达到86%。实验结果显示,该算法在保证实时性的同时,还提高了检测精度。

基于YOLO v2模型的交通标识检测算法

针对机器视觉对驾驶员视角的道路交通标识进行识别时无法同时满足准确率与实时性要求的问题,提出采用深度学习YOLO v2模型的方法。该方法将目标检测看作回归问题,首先将图像划分为网格,然后预测每个网格区域上的边界框和交通标识类别概率,最后通过非极大值抑制获得交通标识的类别和位置,将特征提取与分类集成在同一个神经网络运算过程中以提升实时性和鲁棒性。实验中,YOLO v2模型在交通标识检测数据集上的准确率为80. 1%,检测速度达到40帧/s,相比Faster RCNN,准确率提高5%,检测用时缩短65%;相比SSD算法,准确率提高1%,检测用时缩短20%。结果表明,YOLO v2模型可以满足交通路况的实时性要求。

基于嵌入式平台的交通标识检测

针对嵌入式平台存储容量小,无法实现复杂深度学习网络的交通标识检测问题,提出一种基于改进的Tiny-YOLOv3的交通标识检测算法。首先通过K均值聚类算法对候选框进行预处理,其次增加卷积层并建立输出为8倍降采样的目标检测层,然后对网络的卷积层和目标检测层进行密集连接。最后在NVIDIA Jetson TX2上对网络进行测试,实验结果表明,改进后的Tiny-YOLOv3算法准确率为93.53%,召回率为92.49%,参数量为6.4M。相较于原Tiny-YO⁃LOv3,准确率提高4.17%,召回率提高2.63%,参数量减少83.6%,在满足准确检测交通标识的同时降低网络在嵌入式平台的存储需求。