徐迎春

(江海职业技术学院智能信息学院,江苏扬州 225001)

0 引言

交通标志识别在无人驾驶和驾驶辅助领域有着重要的应用,它为车辆提供准确的交通标志信息。该任务实质是计算机视觉中的实时目标检测。传统的目标检测算法是用SIFT(Scale-Invariant Feature Transform,尺度不变特征变换)和HOG(Histogram of Oriented Gradient,方向梯度直方图)对图像进行特征提取,最后使用SVM、Adaboost等分类器进行分类[1]。这些传统操作在速度和准确性方面很难达到满意的效果。近年来,基于卷积神经网络的深度学习算法[2]在计算机视觉目标检测中取得了很大的成功。其检测算法大致可以分为两大类:基于区域生成的二阶段目标检测算法:如R-CN N[3]系列。基于回归的单阶段目标检测算法:如YOLO系列、SSD、Retina-Net。对于交通标志识别,在实际应用中快速准确地检测非常重要,单阶段检测算法比二阶段算法更能满足实时的需求。YOLOv3[4]模型是一个精度与速度性价比很高的算法,然而深度学习算法的检测准确率仍有很大地提升空间。本文对YOLOv3算法进行改进,用于道路场景下的4种主要的交通标志识别。

1 YOLOv3目标检测原理

YOLO(you only look once) 模型把目标检测当做单一的回归任务,将图像划分为S×S网格,物体bbox(边界框)中心落到哪个网格上就由该网格对应的锚框负责检测该物体。YOLOv3模型在满足精度要求的情况下能实时检测,在工业界实际项目中大量应用。

1.1 YOLOv3网络结构

图1 YOLOv3 网络结构图Fig.1 Network structure of YOLOv3

YOLOv 3 结合了残差网络、特征金字塔以及多特征融合网络等优秀的方法,具备较好的识别速度和检测精度[5]。网络结构如图1[6]所示。……