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。

基于深度残差网络的道路标志识别模型构建及分析

道路标志识别是自动驾驶技术的重要依据,自动驾驶技术的高速发展对道路标志识别提出了更高的要求,对道路标志的识别具有重要的理论和应用价值。简单分析了道路标志识别的背景,介绍了卷积神经网络的网络结构和近年来取得较好识别效果的深度残差网络模型(ResNet),并提出了改进的ResNet18网络模型。使用德国道路标志数据集进行训练和测试,并与相关算法进行比较,证明该模型具有较高的识别精度和识别效率。

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。

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。

基于CA-ASFF-YOLOv4的交通标志识别研究

交通标志识别是智能交通系统的核心技术。针对实际情况下,交通标志总体目标小且呈现多尺度分布、图像背景复杂,造成识别精度低的问题,提出了一种基于改进YOLOv4模型的交通标志识别算法CA-ASFF-YOLOv4。算法去除用于检测大目标的深度特征层,引入高分辨率特征层,并在各个特征层后添加注意力机制CA模块,有效加强了主干网络对小目标的特征提取。在颈部网络使用自适应特征融合ASFF代替原有的路径聚合网络PAnet,通过优化特征融合解决目标尺度多变的问题。减少残差块的堆叠,抑制背景重复叠加,提高复杂背景下的检测精度。实验结果表明,CA-ASFF-YOLOv4在TT100K交通标志数据集上的mAP@0.5达到了91.47%,比YOLOv4提升了9个百分点,显著提高了实际应用场合中交通标志的检测精度。

基于语义分割的多类别地面交通标志识别

无人驾驶汽车的外界环境感知系统中对地面交通标志的识别模型少,地面交通标志误分割和分割不完整,对此提出了轻量级的多类别地面交通标志分割模型。主干网络由多分支结构的重参数Vgg模块(RepVGG Block)组成,增加模型的特征表达能力,避免模型训练时的梯度消失。设计了具有倒残差结构的条形特征提取单元(IDAB Module)用于条形特征的提取,并将模块进行了串联组合,对每个单元中的卷积设置不同的空洞率,以此扩大模块中特征图的感受野,充分利用上下文信息;同时利用非对称卷积更好地提取交通标志的长条形状特征。采用地面交通标志数据集训练和测试地面交通标志分割模型,利用具有多分支结构的主干网络进行训练,测试时通过结构重参数化方法,将多分支结构融合为单路结构,以加快模型的推理速度。实验结果表明,以2 300×600大小的图像为输入,模型的测试精度mIoU最高可达到79.7%,并且有效改善了地面交通标志分割不完整和误分割的问题。

基于改进YOLOv5的昏暗小目标交通标志识别

为了实时检测并识别路上的交通标志,针对在不良光照情况影响下小型交通标志的识别精确度较低、误检、漏检严重的问题,提出了一种基于改进YOLOv5的交通标志识别模型.首先在YOLOv5模型的浅层特征图层增加一次concat操作,将浅层的特征信息结合中间特征图层作为一个检测头,有利于小目标交通标志的识别效率.其次将坐标注意力机制添加到YOLOv5模型中,从而提高特征提取的效率.对中国交通标志数据集TT100K进行数据扩充和暗光增强的操作,最后在经过预处理的TT100K数据集上验证本文改进的模型检测效果.实验结果表明本文改进的模型对小目标及昏暗情况的交通标志识别效率有很大的提升.本文改进的YOLOv5模型与最初的YOLOv5模型均在扩充后的数据集上进行训练后的结果相比,在准确率上提升了1.5%,达到了93.4%;召回率提升了6.8%,达到了92.3%;mAP值提高了5.2%,达到了96.2%.

基于改进YOLOv3的交通标志识别

针对交通标志在图像中占比小,存在难以准确识别的问题,提出以YOLOv3网络模型为基础的改进算法对交通标志进行识别。调整网络中的CBL层,使用较浅层次网络的输出特征图,降低漏检率;采用焦点损失函数计算置信度,降低了误报率和对数平均未命中率;将图像分块预处理,解决较小的对象特征因图像大小调整而丢失的问题,提高主干网络检测速度。该算法在中国交通标志数据集上验证结果表明,提高YOLOv3网络的平均精度和整体性能,mAP达到97.84%,速度达35.6fps。

基于多源特征增强的交通标志识别方法

针对现实场景中交通标志识别在照明不佳环境下和应对扭曲、旋转、平移等空间变化时准确率较低的问题,在优化亮度、对比度特征的基础上结合图像的空间位置信息,提出一个新颖的基于多源特征增强的交通标志识别方法.首先设计亮度与对比度增强模块以凸显低照度图像的特征信息,降低低照度图像识别难度.然后结合空间转换单元构建轻量化特征处理网络,通过弱化图像携带的无关信息聚焦数据中的感兴趣区域,有效分离背景噪声的同时也改善了输入数据的空间不变性.最后主分类网络对图像特征图进行细粒度的识别并输出预测的类别标签.实验结果表明:本文提出的模型在公开基准数据集GTSRB上的准确率达到99.52%,能有效解决交通标志现实场景下识别率较低的问题.

基于坐标注意力的轻量级交通标志识别模型

针对交通标志识别模型检测速度与识别精度不均衡,以及受遮挡目标和小目标难以检测的问题,对YOLOv5模型进行改进,提出一种基于坐标注意力(CA)的轻量级交通标志识别模型。首先,通过在主干网络中融入CA机制,有效地捕获位置信息和通道之间的关系,从而更准确地获取感兴趣区域,避免过多的计算开销;然后,通过在特征融合网络中加入跨层连接,在不增加成本的情况下融合更多的特征信息,提高网络的特征提取能力,并改善对遮挡目标的检测效果;最后,引入改进的CIoU函数计算定位损失,以缓解检测过程中样本尺寸分布不均衡的现象,并进一步提高对小目标的识别精度。在TT100K数据集上应用所提模型时,识别精度达到了91.5%,召回率达到了86.64%,与传统的YOLOv5n模型相比分别提高了20.96%和11.62%,且帧处理速率达到了140.84 FPS。实验结果比较充分地验证了所提模型在真实场景中对交通标志检测与识别的准确性与实时性。

基于改进YOLOv4的道路交通标志识别

针对复杂场景中交通标志尺度变化大导致识别精度低的问题,提出了一种改进的YOLOv4算法。首先,设计了一个注意力驱动的尺度感知特征提取模块,通过构建类似残差结构的分层连接方式,增加每层的感受野范围,以获得更具细粒度的多尺度特征,并在注意力驱动下生成一对具有方向感知与位置敏感的注意力图,使网络能聚焦于更具鉴别力的关键区域;然后,构建一个特征对齐的金字塔卷积特征融合模块,即通过卷积计算相邻尺度特征图间的特征偏移量进行特征对齐;最后,通过金字塔卷积的方式使网络自适应学习最优的特征融合模式,并构建特征金字塔用于识别不同尺度的交通标志。实验结果表明,在TT100K数据集上改进算法比原YOLOv4算法的识别精度提高了5.4%,且优于其他对比识别算法,FPS达到33.17,可满足道路交通标志识别的精确性、实时性等要求。

基于深度学习的交通标志识别技术研究进展

文章综述了基于深度学习的交通标志识别技术,厘清了传统交通标志识别与基于深度学习的交通标志识别的关系,着重介绍了卷积神经网络交通标志识别算法,并分析近年来该算法取得的突破性进展,旨在为进一步的研究提供参考和指导。

基于YOLOv5的交通标志识别

交通标志识别是自动驾驶技术中的关键一部分.针对交通标志在道路场景中目标较小且识别精度较低的问题,提出一种改进的YOLOv5算法.首先在YOLOv5模型中引入全局注意力机制(GAM),提高网络捕获不同尺度交通标志特征的能力;其次将YOLOv5算法中使用的GIoU损失函数更换为更具回归特性的CIoU损失函数来优化模型,提高对交通标志的识别精度.最后在Tsinghua-Tencent 100K数据集上进行训练,实验结果表明,改进后的YOLOv5算法对交通标志识别的平均精度均值为93.00%,相比于原算法提升了5.72%,具有更好的识别性能.

基于双通道动态像素聚合的交通标志识别算法

交通标志自动识别有助于自动驾驶车辆自主感知外部复杂环境中的交通标识,以辅助驾驶员应对复杂路况,从而避免交通事故的发生。针对现存交通标志自动识别算法存在识别效率和准确率不高的问题,采用了一种基于双通道动态像素聚合的交通标志识别算法。首先,采用色调-饱和度-明度(Hue Saturation Value,HSV)颜色空间模型提取交通标志的颜色特征;其次,采用自适应阈值选取策略的Canny边缘检测算法分割交通标志图像的前景和背景提取交通标志的形状特征;接着,将提取到的两个物理特征进行融合,并通过反向传播(BP)神经网络进行学习训练。实验表明,该算法的交通标志识别率为95.34%、平均识别时间为1.32 ms。与已有相关算法相比,该算法不仅能够提高交通标志识别的准确率,而且在识别效率上也有一定的提高。