《电子技术应用》
您所在的位置：首页 > 测试测量 > 设计应用 > 基于Darknet23和特征融合的交通标志检测方法
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。
中图分类号：TP391
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.222900
中文引用格式： 杜婷婷，钟国韵，江金懋，等. 基于Darknet23和特征融合的交通标志检测方法[J]. 电子技术应用，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

    随着全球汽车数量的逐渐增加，智能交通系统（Intelligent Traffic System，ITS）迎来了新的发展机遇。交通标志检测与识别技术作为在ITS中的一种关键技术应用，它可以辅助驾驶员准确、高效地识别道路交通标志，有效减轻驾驶疲劳，从而保障安全驾驶。因此，在真实路况下准确并及时地检测出交通标志，对无人驾驶、高级辅助驾驶系统具有重要的现实意义。而在驾驶过程中,获取的交通标志图像存在背景复杂、目标小和光照天气变化等问题,导致交通标志的误检或漏检。

    针对上述问题,近年来相关专家学者提出了许多不同的检测方法，主要可以分为两类：传统交通标志检测方法和基于深度学习的交通标志检测方法。传统的检测方法分为基于颜色空间[1]、基于形状特征[2]和基于多特征融合[3]，这3类方法往往面临诸如遮挡、褪色和环境等各种因素的影响而造成检测精度下降的问题。在这些方法的基础上，相关研究人员进行了深入的研究和优化，提出了基于深度学习的检测方法，分为基于锚框和不基于锚框两种。目前主流的算法基于锚框的，具体分为两阶段（Two-Stage）和单阶段（One-Stage）两种。前者的典型代表是Zuo Z[4]提出的Faster RCNN和徐国整[5]提出的改进Cascade R-CNN方法，这类算法首先在特征层上通过区域生成网络（Region Proposal Network，RPN）提取可能存在交通标志的预选框，再用对其进行检测，虽然可以大幅度提高检测精度，但由于计算量过大，检测速度较慢；后者的典型代表有Redmon J[6-8] 提出的YOLO系列和孙超[9]提出的改进SSD方法，此类方法是直接对输入图像做回归任务，得到目标框的左上角、右下角坐标和类别信息，在输出层上一次性完成预测，虽然检测速快，适合做实时检测任务，但因为中间不需要额外的映衬，在检测精度上会略有欠缺。张建民[10]等提出了融合注意力机制的Cascaded R-CNN算法，在CCTSDB数据集上mAP@0.5达到99.7%，但模型的平均检测速度仅为7.6 f/s；鲍敬源[11]等提出了Strong Tiny-YOLOv3算法，虽然在速度上达到33.78 f/s，但在mAP@0.5上只有85.56%。因此，本文提出一种兼检测精度高和速度快的交通标志检测方法。




本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005069。




作者信息：

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）




wd.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容