论文部分内容阅读
随着社会的不断发展，传统汽车控制方式已不能满足人民的需求，辅助驾驶、无人驾驶等系统应运而生，随之而来的是人们对智能汽车系统安全性要求的不断提高，因此对于驾驶室外部交通标志及信号灯等环境的检测至关重要。传统交通信号检测算法速度慢、准确性低、鲁棒性差，因此通过改进传统算法达到对交通标志和交通信号灯的精确检测具有极其重要的现实意义。
为实现本文对于交通标志及交通信号灯两类交通信号物体的精确检测，提出了基于深度学习目标检测算法YOLOv4并对其进行了改进，得到YOLOv4-s与YOLOv4-m。YOLOv4-s算法中将特征检测网络的3个尺度改进为4个尺度检测，首先以CSPDarknet53卷积神经网络为基础，将主干特征提取网络中第三个深度残差结构输出的104×104特征图与3次上采样后的特征图进行融合处理得到第4个特征检测尺度，并形成新的特征金字塔融合网络结构，提高了小目标及多目标物体的检测精度，同时降低了漏检率。其次引入了CIoU坐标定位损失函数，使预测框与真实框在回归的过程中更快收敛，且在损失函数的计算上更准确。最后在先验框聚类中使用k-means++聚类算法结合一定的先验框分配策略等重要参数进行对比试验，以优化模型相应的参数及结构。本文在YOLOv4-s的特征提取网络及卷积方式基础上进行改进，提出了YOLOv4-m算法，将YOLOv4-s特征网络结构中卷积神经网络替换为深度可分离卷积，并使用MobileNetV3网络结构来进行模型训练进行特征图的提取。在整体算法检测精度不降低前提下，大大减少了模型的参数量，提高了检测效率。
本文中分别在交通标志、交通信号灯及自制交通信号数据集上进行实验，实验结果显示YOLOv4-s算法在交通标志数据集LISA上，召回率为87.36%，平均精度为98.12%；交通信号灯数据集BDD100K上，召回率为77.72%，平均精度为84.95%，在BDD100K数据集中复杂天气环境的交通信号灯也有较好的检测效果，相较于现有其他目标检测模型具有更好的精确性、实时性及鲁棒性；自制交通信号数据集TSL上，交通信号平均精度为87.25%，其在提升小目标精度同时，依然使检测速度达到了40帧/秒以上，但参数量体积依然庞大，YOLOv4-m算法在自制TSL数据集上，二类交通信号目标的平均精度为86.29%，在保证精度前提下，检测速度依然达到了51帧/秒，参数量仅仅为YOLOv4-s的1/6。本文改进算法分别在检测精度上有了显著提升，并在模型参数量上达到简化目的。
为实现本文对于交通标志及交通信号灯两类交通信号物体的精确检测，提出了基于深度学习目标检测算法YOLOv4并对其进行了改进，得到YOLOv4-s与YOLOv4-m。YOLOv4-s算法中将特征检测网络的3个尺度改进为4个尺度检测，首先以CSPDarknet53卷积神经网络为基础，将主干特征提取网络中第三个深度残差结构输出的104×104特征图与3次上采样后的特征图进行融合处理得到第4个特征检测尺度，并形成新的特征金字塔融合网络结构，提高了小目标及多目标物体的检测精度，同时降低了漏检率。其次引入了CIoU坐标定位损失函数，使预测框与真实框在回归的过程中更快收敛，且在损失函数的计算上更准确。最后在先验框聚类中使用k-means++聚类算法结合一定的先验框分配策略等重要参数进行对比试验，以优化模型相应的参数及结构。本文在YOLOv4-s的特征提取网络及卷积方式基础上进行改进，提出了YOLOv4-m算法，将YOLOv4-s特征网络结构中卷积神经网络替换为深度可分离卷积，并使用MobileNetV3网络结构来进行模型训练进行特征图的提取。在整体算法检测精度不降低前提下，大大减少了模型的参数量，提高了检测效率。
本文中分别在交通标志、交通信号灯及自制交通信号数据集上进行实验，实验结果显示YOLOv4-s算法在交通标志数据集LISA上，召回率为87.36%，平均精度为98.12%；交通信号灯数据集BDD100K上，召回率为77.72%，平均精度为84.95%，在BDD100K数据集中复杂天气环境的交通信号灯也有较好的检测效果，相较于现有其他目标检测模型具有更好的精确性、实时性及鲁棒性；自制交通信号数据集TSL上，交通信号平均精度为87.25%，其在提升小目标精度同时，依然使检测速度达到了40帧/秒以上，但参数量体积依然庞大，YOLOv4-m算法在自制TSL数据集上，二类交通信号目标的平均精度为86.29%，在保证精度前提下，检测速度依然达到了51帧/秒，参数量仅仅为YOLOv4-s的1/6。本文改进算法分别在检测精度上有了显著提升，并在模型参数量上达到简化目的。