久久久国产精品视频,国产精品久久久av久久久,91久久久精品

基于Darknet23和特征融合的交通标志检测方法

2023年电子技术应用第1期

杜婷婷，钟国韵，江金懋，任维民

东华理工大学信息工程学院，江西南昌 330013

摘要： 道路交通标志检测是智能交通的重要环节之一，针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题，选取工业界青睐的YOLOv3模型提出一种改进的检测方法。利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合，提升低层预测目标的分类和高层预测目标的定位能力；将原模型的主干特征提取网络进行改进，提出Darknet23网络，以提高网络的提取能力和减少计算量；根据目标形状的特点，使用K-means聚类算法得到用于训练合适的锚点框，并在边框回归中引入灵活性更强的L_(α-CIOU)损失函数，使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明，该方法在CCTSDB数据集上mAP@0.75达到86.10%、mAP@0.5：0.05：0.95达到70.017%，相比原网络分别提升10.17％和5.656％，参数量减少3 622 091，速度提升8.27 f/s，且优于SSD和Faster RCNN等主流的检测网络。

關鍵詞： 交通标志检测双向特征金字塔 Darknet23网络 K-means聚类损失函数

中圖分類號：TP391
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.222900
中文引用格式： 杜婷婷，鐘國韻，江金懋，等. 基于Darknet23和特征融合的交通標志檢測方法[J]. 電子技術應用，2023，49(1)：14-19.
英文引用格式： Du Tingting，Zhong Guoyun，Jiang Jinmao，et al. Traffic sign′s detection method based on Darknet23 and feature fusion[J]. Application of Electronic Technique，2023，49(1)：14-19.

Traffic sign′s detection method based on Darknet23 and feature fusion

Du Tingting，Zhong Guoyun，Jiang Jinmao，Ren Weimin

School of Information Engineering， East China University of Technology， Nanchang 330013， China)

Abstract： Road traffic sign′s detection is one of the important links of intelligent transportation. A detection method based on the improved YOLOv3 model by the industry is proposed for the problems of complex background, small targets and slow detection speed in traffic sign detection.The method used a bidirectional feature pyramid structure to achieve bidirectional fusion of semantic information of low,middle and high level features of images to improve the classification of low-level prediction targets and the localization of high-level prediction targets. The main feature extraction network of the original model is improved, and the Darknet23 network is proposed to improve the extraction ability of the network and reduce the computational burden.According to the characteristics of the target shape, the K-means clustering algorithm for training the appropriate anchor frames and a more flexible L_(α-CIOU) loss function is introduced into the bounding box regression to make the network optimize towards a higher degree of overlap between the prediction boxes and the ground-truth boxes. The experimental results show that the method reaches 86.10% mAP@0.75 and 70.017% mAP@0.5:0.05:0.95 on the CCTSDB dataset, which are 10.17% and 5.656% higher than the original network, the number of parameters is reduced by 3 622 091 and the speed is improved 8.27 f/s ,which is better than mainstream detection networks such as SSD and Faster RCNN.

Key words : traffic sign′s detection；bidirectional feature pyramid；Darknet23 network；K-means clustering；loss function

0　引言

隨著全球汽車數量的逐漸增加，智能交通系統（Intelligent Traffic System，ITS）迎來了新的發展機遇。交通標志檢測與識別技術作為在ITS中的一種關鍵技術應用，它可以輔助駕駛員準確、高效地識別道路交通標志，有效減輕駕駛疲勞，從而保障安全駕駛。因此，在真實路況下準確并及時地檢測出交通標志，對無人駕駛、高級輔助駕駛系統具有重要的現實意義。而在駕駛過程中,獲取的交通標志圖像存在背景復雜、目標小和光照天氣變化等問題,導致交通標志的誤檢或漏檢。

針對上述問題,近年來相關專家學者提出了許多不同的檢測方法，主要可以分為兩類：傳統交通標志檢測方法和基于深度學習的交通標志檢測方法。傳統的檢測方法分為基于顏色空間^[1]、基于形狀特征^[2]和基于多特征融合^[3]，這3類方法往往面臨諸如遮擋、褪色和環境等各種因素的影響而造成檢測精度下降的問題。在這些方法的基礎上，相關研究人員進行了深入的研究和優化，提出了基于深度學習的檢測方法，分為基于錨框和不基于錨框兩種。目前主流的算法基于錨框的，具體分為兩階段（Two-Stage）和單階段（One-Stage）兩種。前者的典型代表是Zuo Z^[4]提出的Faster RCNN和徐國整^[5]提出的改進Cascade R-CNN方法，這類算法首先在特征層上通過區域生成網絡（Region Proposal Network，RPN）提取可能存在交通標志的預選框，再用對其進行檢測，雖然可以大幅度提高檢測精度，但由于計算量過大，檢測速度較慢；后者的典型代表有Redmon J^[6-8] 提出的YOLO系列和孫超^[9]提出的改進SSD方法，此類方法是直接對輸入圖像做回歸任務，得到目標框的左上角、右下角坐標和類別信息，在輸出層上一次性完成預測，雖然檢測速快，適合做實時檢測任務，但因為中間不需要額外的映襯，在檢測精度上會略有欠缺。張建民^[10]等提出了融合注意力機制的Cascaded R-CNN算法，在CCTSDB數據集上mAP@0.5達到99.7%，但模型的平均檢測速度僅為7.6 f/s；鮑敬源^[11]等提出了Strong Tiny-YOLOv3算法，雖然在速度上達到33.78 f/s，但在mAP@0.5上只有85.56%。因此，本文提出一種兼檢測精度高和速度快的交通標志檢測方法。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000005069。

作者信息：

杜婷婷，鐘國韻，江金懋，任維民

（東華理工大學信息工程學院，江西南昌 330013）

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容