原文传递
基于深度学习的交通标志识别方法研究
| 论文题名： | 基于深度学习的交通标志识别方法研究 |
| 关键词： | 交通标志识别;目标检测;YOLOv5s网络;坐标注意力机制 |
| 摘要： | 近年来，随着深度学习和目标检测技术的快速发展，越来越多的相关技术成果被应用到了现实生活中。交通标志检测技术作为智能交通系统的重要技术应用，在辅助驾驶和及时获取路况信息等方面都有着重要意义。如何在行车过程中既快速又准确地识别出道路旁的交通标志牌一直是研究过程中的重点和难点问题。经研究发现，相比传统的交通标志检测算法，基于卷积神经网络的方法拥有更快的处理速度和更高的准确率，具备更好的研究价值。 针对当前的YOLOv5网络在识别小目标时存在的漏检和误检问题，本文以YOLOv5网络为基础，进行了以下几个方面的研究和改进： 首先，结合实际应用场景分析YOLOv5四种网络的优缺点，本文选用YOLOv5中实时性最好的YOLOv5s网络作为本文开展研究的基础网络，在骨干网络中嵌入坐标注意力机制，提高网络对交通标志目标的精确定位和注意程度，确保网络对小目标有效特征信息的提取。同时，在特征聚合路径的基础上增加一条跨层间的连接路径，减少特征信息在多层传递时的流失，将更多的特征融合在一起。实验表明，改进的YOLOv5s网络模型在体积增加不大的同时，在GTSDB交通标志数据集上能实现43类交通标志的精确检测和分类，但对小目标标志仍存在漏检和相似标志间识别错误的问题，仍有提升空间。 其次，对于单一的细分类网络ResNet50网络进行改进，用Ghost模块取代模型中第一层后的其他所有卷积操作，使原有网络的部分特征非线性变换变为线性变换，减小模型的计算量和参数量，提高分类速度。 最后，在改进的YOLOV5s网络上级联轻量化的ResNet50网络，对交通标志进行检测和分类。先用改进的YOLOv5网络对交通标志进行检测和四大类粗分类，再将结果输入到级联的轻量化ResNet50网络中进行43类细分类。实验表明，级联网络相比单一改进的YOLOv5s网络在模型体积上有所增大，但在GTSDB数据集上的检测准确率又有了提升，能够完成对交通标志快速识别和分类任务。 |
| 作者： | 韩方 |
| 专业： | 电子信息 |
| 导师： | 宋清昆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
