基于多尺度特征提取与特征融合的交通标志检测

基于卷积神经网络的交通标志检测算法在对现实中复杂的交通场景图像进行交通标志检测时,难以同时解决定位和分类两项任务,并且目标检测领域相关算法所使用的公开数据集提供的图像和交通标志的种类不能满足现实交通场景中复杂的情况。建立一个新的道路交通标志数据集,在YOLOv4算法的基础上针对现实交通场景图像的复杂性和图像中交通标志尺寸差异较大的特点,设计多尺寸特征提取模块和增强特征融合模块,提高算法同时定位和分类交通标志的能力。在此基础上,对算法中不同的模块设置不同的参数进行对照实验,得到一组表现最优的参数,用于检测现实交通场景图片中的交通标志。在道路交通标志数据集上的实验结果表明,该算法相比基于卷积神经网络的同类型任务目标检测算法具有更高的检测精度,平均精度均值达到83.63%。     

三角形交通标志的智能检测方法

基于交通标志都具有一定的颜色和形状，以红色倒三角形交通标志为例，介绍一种新的智能检测方法。该方法主要由以下4个环节构成。首先是颜色提取，将图像转换到HSI颜色模型的色调子空间，提取特定颜色——红色；其次是边缘检测，使用标准LOG模板在提取出来的红色区域上进行；这样，计算量将大为减少；然后是顶点判别，对边缘上的这些点，采用神经网络分类器进行分类，并分别对三角形的3种不同顶点作标记；最后是三角形的定位，通过一定的匹配准则提取出三角形。对不同场景下的20幅图像进行测试，检测正确率达到了100％。实验结果表明，该方法具有鲁棒性好、速度快、检测准确率高等特点。     

多特征融合的圆形交通标志检测

结合圆形交通标志的颜色特征和形状特征,提出一种多特征融合的圆形交通标志检测算法。首先采用彩色分割和非彩色分解技术分离出圆形交通标志,并去除部分背景区域。然后应用链码形式存储边缘,采用边缘长度、圆形度、展弦比等特征进一步去除背景区域。最后采用非线性最小二乘曲线拟合技术准确提取圆形交通标志。多种天气和光照情况下的圆形交通标志检测实验验证了算法的有效性。     

改进SSD算法在交通标志检测中的应用

针对交通标志检测存在误检率高、鲁棒性差等问题,提出了一种改进SSD(single shot multibox detector)的交通标志检测方法。首先从不同维度提取交通标志的位置和方向感知信息,改善目标在浅层特征图上的感受野区域。其次使用特例化的卷积内核对深层特征图进行条件参数卷积,增强交通标志的特征表达能力。最后对通道注意力机制进行改进,在特征通道中融入目标空间信息,提升交通标志目标的显著性。实验结果表明,提出的方法相较于原始SSD在CCTSDB数据集上的检测精度提升了7.6个百分点,检测速度达到87.5 FPS;在LISA数据集上的平均准确率为94.6%,检测速率为85.0 FPS。相比于其他的检测方法,改进后的SSD算法在复杂的自然场景中对交通标志具有更好的鲁棒性。     

基于不变矩和神经网络的交通标志识别方法研究

在交通标志实时识别过程中，由于参考图像与实测图像不是同时获取的，因此摄像机与被摄交通标志之间的位置难以保证完全相同。于是，所获取的参考交通标志图像与实测交通标志图像之间就可能产生几何失真。几何失真将对于图像识别的结果带来很大的影响。因此，需要寻找一种具有旋转和比例不变性的图像识别方法，以满足实际应用中的需要。针对上述问题，提出了一种基于不变矩和神经网络的交通标志识别算法。实验结果表明，所提出的识别算法具有很好的识别能力。     

基于改进YOLOv2算法的交通标志检测

针对YOLOv2算法实际检测到的小尺寸交通标志质量不佳, 识别率低, 实时性差的问题, 提出一种基于改进YOLOv2的交通标志检测方法. 首先, 通过直方图均衡化、BM3D对图像增强以获取高质量图像; 接着, 将网络顶层卷积层输出的特征图进行精细划分, 得到高细粒度的特征图, 以检测高质量、小尺寸的交通标志; 最后, 采用归一化及优化置信度评分比例对损失函数进行改进. 在结合CCTSD (中国交通标志检测数据集)和TT100K数据集的新数据集上进行实验, 与YOLOv2网络模型相比, 经过改进后的网络识别率提高了8.7%, 同时模型的识别速度提高了15 FPS. 实验结果表明: 所提方法能够对小尺寸交通标志进行精准检测.     

改进YOLOv5的小目标交通标志实时检测算法

在真实场景下准确实时检测小目标交通标志对自动驾驶有重要意义,针对YOLOv5算法检测小目标交通标志精度低的问题,提出一种基于改进YOLOv5的小目标交通标志实时检测算法。借鉴跨阶段局部网络思想,在YOLOv5的空间金字塔池化上设置新的梯度路径,强化特征提取能力;在颈部特征融合中增设深、浅卷积特征的可学习自适应权重,更好地融合深层语义和浅层细节特征,提高小目标交通标志的检测精度。为验证所提算法的优越性,在TT100K交通标志数据集上进行了实验验证。实验结果表明所提算法在小目标交通标志上的平均精度均值（mean average precision,mAP）为77.3%,比原始YOLOv5提升了5.4个百分点,同时也优于SSD、RetinaNet、YOLOX、SwinTransformer等算法的检测结果。所提算法的运行速度为46.2 frame/s,满足检测实时性的要求。     

基于改进SSD的道路交通标志检测

针对复杂环境下交通标志检测精度低的问题,设计了一种检测精度更高的目标检测算法,对SSD深度学习目标检测算法进行了优化改进;将深度特征表征能力较强的Resnet50网络模型融入于SSD算法中;采用K-means++聚类算法确定SSD中先验框的尺寸,提高交通标志的检测率;分别利用SSD模型和改进的SSD模型做检测对比实验,结果表明,改进算法对各类型交通标志的检测精度比原SSD算法更高;改进的SSD方法对交通标志进行检测能取得较好效果,弥补了原算法的不足.     

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分.对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别.首先利用颜色信息实现交通标识区域分割,随后记录交通标识的边缘走势并统计比例,最后使用BP神经网络进行分类,实现交通标识形状的识别.该算法对不同倾斜角度和不同拍摄角度的交通标识图像均具有很好的识别效果和识别速率.     

基于形状信息的三角形交通标志检测方法

提出一种基于快速辐射对称性和Hough变换的三角形交通标志检测方法。利用快速辐射对称性检测三角形的内心,在内心处设置一个窗口对窗口内图像作Hough变换,在图像的Hough域中检测三角形交通标志。实验结果表明,该算法能有效弥补现有同类算法的缺陷,具有较高的检测效率。     

改进YOLOv7的交通标志检测算法

自动驾驶技术的快速发展,导致对交通标志检测技术的要求日益提高.为解决YOLOv7算法在识别小目标时误检、漏检等问题,本文提出一种基于注意力机制的交通标志检测模型YOLOv7-PC.首先通过K-means++聚类算法对交通标志数据集进行聚类,获得适用于检测交通标志的锚框;其次在YOLOv7主干特征提取网络中引入坐标注意力机制,将交通标志的横向和纵向信息嵌入到通道中,使生成的特征信息具有交通标志的坐标信息,加强有效特征的提取;最后在加强特征提取网络中引入空洞空间金字塔池化,捕获交通标志多尺度上下文信息,在保证交通标志小目标分辨率的同时,进一步扩大卷积的感受野.在中国交通标志检测数据集(CCTSDB)上的实验表明,本文算法增强了识别小目标的能力,相较于YOLOv7模型,本文算法的m AP、召回率平均分别提高了5.22%、9.01%,是一种有效的交通标志检测算法.     

改进YOLOv5的交通标志检测算法

交通标志检测在自动驾驶、辅助驾驶等领域是一个重要的环节,关乎到行车安全问题。针对交通标志中存在目标小、背景复杂等难点,提出一种基于改进YOLOv5的算法。提出区域上下文模块,利用多种扩张率的空洞卷积来获取不同感受野,进而获取到目标及其相邻区域的特征信息,相邻区域的信息对交通标志小目标检测起到重要补充作用,可以有效解决目标小的问题;在主干部分引入特征增强模块,进一步提高主干的特征提取能力,利用注意力机制与原C3模块结合,使网络更能聚焦小目标信息,避免复杂背景的干扰;在多尺度检测部分,将浅层特征层与深层检测层进行特征融合,可以同时兼顾浅层位置信息与深层语义信息,增加目标定位与边界回归的准确度,更有利于小目标检测。实验结果表明,改进后的算法在交通标志检测数据集TT100K上取得了87.2%的小目标检测精度、92.4%的小目标召回率以及91.8%的mAP,与原YOLOv5算法相比较,分别提升了3.5、4.1、2.6个百分点,检测速度83.3 frame/s;在CCTSDB数据集上mAP为98.0%,提升了2.0个百分点,检测速度90.9 frame/s。因此,提出的改进YOLOv5算法可以有效...     

基于聚类与Hough变换的交通标志检测方法

交通标志检测是进行交通标志识别系统的关键技术,提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理,然后利用改进的K-means聚类算法对彩色图像进行颜色分割,最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位,从而实现交通标志的检测.实验结果显示,该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%,优于同条件的算法且具有较高的实时性.     

结合轴对齐包围盒和空间划分的碰撞检测算法

目的 碰撞检测是虚拟现实,特别是虚拟装配中的关键技术。针对基于包围盒的碰撞检测算法的准确性和检测效率不足的问题,提出一种结合AABB轴对齐包围盒和空间划分的碰撞检测算法。方法 本文算法采用分步检测的方法,利用AABB算法来确定两包围盒的相交区域后,结合模型移动方向和运动趋势进行空间划分,利用碰撞检测的时空相关性,对时空相关的部分进行相交测试,通过将包围盒还原成三角面以及点的方式来保证检测的准确性。结果 本文算法与AABB层次包围盒二叉树算法、k-Dops包围盒算法以及BPS空间分割树算法进行对比实验分析。在碰撞的几何精度上,本文算法在大部分情况下与AABB算法和k-Dops算法的距离差超过阈值0.02,证明本文算法在碰撞几何精度上有明显的提高。在碰撞检测时耗上,随着碰撞检测难度的不断增加,本文算法在平移自由度下比AABB算法和BSP算法、在旋转自由度下比AABB算法和k-Dops算法的检测时间均降低了50%以上。在三角面数对算法碰撞检测时耗的影响上,当运动模型的三角面数较多时,本文算法表现出更高的稳定性。结论 结合AABB包围盒和空间划分方法的碰撞检测算法,在减少碰撞检测所需时间的同时提高了碰撞检测的准确性,可以满足虚拟装配技术中对碰撞检测算法准确性的要求,同时也能满足使用者实时性的交互习惯。     

改进YOLOv3的交通标志检测方法研究

针对我国自动驾驶的辅助识别交通标志误差率大、检测速度慢、需人工参与等问题,提出一种基于改进YOLOv3的交通标志检测识别方法。通过改进Darknet53网络结构来减少网络迭代过程中前向推理计算,提升网络迭代速度。引入目标检测的直接评价指标GIoU指导定位任务来提高检测精度。使用[k]-means++聚类算法获取anchor尺寸并匹配到对应的特征层。实验结果表明,提出的方法相较于原始YOLOv3在标准数据集Lisa上的平均精度提升了8%,检测速度达到了76.9 f/s;在自制数据集CQ-data上平均精度可达94.8%,与传统识别以及其他算法相比,不仅具有更好的实时性、准确性,对各种环境变化具有更好的鲁棒性,而且可以识别多种交通标志的类型。     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

基于虚拟窗口的自适应车流量检测应用研究

基于视频交通检测中实时性和准确性要求,研究了三帧差分、背景差分及动态阈值等算法,提出增加虚拟窗口的方法,使整个车流量检测算法只针对有效序列图像信息进行处理.该方法通过排除差异大图像求均值,快速初始化虚拟窗口背景模型,在检测窗口内使用三帧差分和动态阈值准确定位运动车辆目标,实时更新背景后,根据背景差分法得到的窗口图像信息统计车流情况.实验结果表明,该方法可以有效应用于基于视频的实时车流量检测中.     

TSNAM彩色图像的格雷码表示

为了提高彩色图像模式的表示效率,借助于三角形和正方形布局问题的思想,将格雷码和位平面分解方法应用到彩色图像的三角形和正方形NAM表示方法（TSNAM）中,提出了一种基于格雷码的TSNAM彩色图像表示方法（GTSNAM）.给出了GTSNAM表示算法的形式化描述,并对其存储结构、总数据量和时空复杂性进行了分析.理论分析和实验结果表明,与最新提出的TSNAM表示方法和经典的线性四元树（LQT）表示方法相比,GTSNAM表示方法具有更少的子模式数(或节点数),能够更有效地减少数据存储空间,因而是一种有效的彩色图像表示方法.     

面向特定目标自识别的交通图像语义检索方法

为了从海量的道路交通图像中检索出违反交通法规的图像,提出了一种特定目标自识别的语义图像检索方法。首先,通过交通领域专家建立交通领域本体及道路交通规则描述;然后,通过卷积神经网络（CNN）对交通图像的特征进行提取,并结合改进的支持向量机决策树（SVM-DT）算法对图像特征进行分类的策略,对交通图像中的特定目标及目标间空间位置关系进行自动识别,并映射成为相应的本体实例及其对象之间的关联关系（规则实例）;最后,利用本体实例和规则实例,通过推理得到语义检索结果。实验结果表明,相比关键字和本体交通图像语义检索方法,所提方法具有更高的准确率、召回率和检索效率。     

基于Cache-DCN YOLOX算法的交通标志检测方法研究

针对传统方式识别交通标志算法存在的检测精度较低的问题,提出了一种基于Cache-DCN YOLOX算法的交通标志识别方法。在该方法中,使用DCN可变形卷积替换backbone中的普通卷积,有效地增大了模型的感受野,提高了特征提取能力;使用EIOU损失函数代替YOLOX中的GIOU损失函数,优化了训练模型,提高了收敛的速度;优化设计了YOLOX算法中的强弱两阶段的训练过程,增强了模型的泛化性能,同时加入cache方案,进一步提高了检测精度。在交通标志数据集TT100K上进行了实验,提出方法的检测精度为67.2%,比原YOLOX算法的检测精度提升了6.4%,同时,在被遮挡的小目标等多种受干扰的环境下,提出的方法能够精确地检测出交通标志,并有着较好的置信度,满足实际需求。