基于多特征融合的道路交通标志检测

在道路交通标志的检测中,针对自然实景情况中拍摄到的图像存在的交通标志大小和位置不确定等困难问题,本文提出一种基于实景图像的多特征融合的道路交通标志检测方法。论文把样本分为了训练和测试样本,首先对训练样本图像进行盲复原处理;其次对复原处理后的图像进行自适应性的形状区域裁剪,提取裁剪区域图像的颜色、纹理和形状特征;再次分别对颜色、纹理和形状特征进行SVM分类检测,从而获得颜色、纹理和形状三个分类模型;最后对模型的权值进行自适应性计算,得到加权的特征融合模型。通过测试样本对模型的检测,结果表明特征融合识别方法有很高的准确度,另外对比实验得到的数据显示融合模型提高了道路交通检测的准确度和鲁棒性。

基于道路特征增强改进YOLOv4的模糊交通标志检测

由于外界因素干扰容易导致交通标志在图像中成像模糊,极大的降低了交通标志的检测精度.同时,考虑到交通标志检测的应用场景大多需要较高的实时性,提出一种基于道路特征增强改进YOLOv4的模糊交通标志检测算法.首先,为了抑制交通标志图片中杂乱的背景信息并有效捕获交通标志特征,在YOLOv4的特征提取部分嵌入了坐标注意力.然后,YOLOv4采用最大池化进行下采样忽略了移位等变性的丢失,容易导致模糊交通标志的特征提取不稳定.为了更加有效的提取图像特征,采用BlurPool进行下采样来更加有效的保留模糊交通标志特征.最后,在特征融合阶段采用DUpsampling进行上采样以建立新插入像素和原有像素之间的相关性.实验结果表明,改进后的YOLOv4模型尺寸和参数量相较于原算法分别降低了10.18%和11.32%,FPS和mAP分别提升了2.02和1.34.通过与YOLOv3_SPP、SSD、Faster RCNN和其他交通标志检测算法对比,改进后的YOLOv4性能均优于这些算法.通过输入图像测试,本文所改进的算法在现实场景中对模糊交通标志检测具有了更好的性能.