基于改进神经网络的交通标志识别 
下载： 1107次
Traffic Sign Recognition Based on Improved Neural Networks
安徽工程大学电气工程学院, 安徽 芜湖 241000
图 & 表
图 1. YOLOv2算法流程图
Fig. 1. Flow chart of YOLOv2 algorithm
下载图片 查看原文
图 2. YOLOv2网络结构图
Fig. 2. YOLOv2 network structure
下载图片 查看原文
图 3. 初始模块。(a)模块A;(b)模块B
Fig. 3. Inception modules. (a) Module A; (b) module B
下载图片 查看原文
图 4. NYOLOv2结构图
Fig. 4. NYOLOv2 structural diagram
下载图片 查看原文
图 5. 交通标志的三个超分类示例。(a)指示;(b)禁止;(c)警告
Fig. 5. Three super classification examples of traffic signs. (a) Mandatory; (b) prohibitory; (c) danger
下载图片 查看原文
图 6. 损失函数曲线的对比
Fig. 6. Comparison of loss function curves
下载图片 查看原文
图 7. 使用YOLOv2的损失函数检测示例
Fig. 7. Examples of detecting the loss function using YOLOv2
下载图片 查看原文
图 8. 使用NYOLOv2的损失函数检测示例
Fig. 8. Examples of detecting the loss function using NYOLOv2
下载图片 查看原文
图 9. 三个超分类的PR曲线图。(a) 指示;(b)禁止;(c)警告
Fig. 9. PR curves of three super categories. (a) Mandatory; (b) prohibitory; (c) danger
下载图片 查看原文
表 1不同时间阈值下的精确度和召回率数值
Table1. Precisions and recall rate values at different time thresholds
| Threshold t | 0.10 | 0.20 | 0.40 | 0.50 | 0.60 | 0.65 |
|---|
| Precision | 0.7554 | 0.8699 | 0.9543 | 0.9648 | 09874 | 1.000 | | Recall | 0.9568 | 0.9396 | 0.9102 | 0.8650 | 0.7959 | 0.6203 |
|
查看原文
表 2不同构架性能比较
Table2. Comparison of different architecture performances
| Method | mAP | FPS |
|---|
| YOLOv2 | 76.8 | 40.0 | | NYOLOv2 | 83.2 | 55.0 |
|
查看原文
表 3三种方法分类结果比较
Table3. Comparison of classification results of three methods
| Method | Prohibitory | Mandatory | Danger | Time /s |
|---|
| Precision /% | Recall /% | | Precision /% | Recall /% | Precision /% | Recall /% |
|---|
| YOLO | 98.55 | 92.15 | 96.68 | 70.56 | 90.89 | 78.11 | 0.221 | | YOLOv2 | 99.06 | 87.64 | 98.24 | 69.06 | 97.65 | 75.03 | 0.154 | | NYOLOv2 | 99.13 | 91.23 | 99.12 | 72.66 | 98.00 | 80.21 | 0.015 |
|
查看原文
表 4不同方法的处理时间及性能对比
Table4. Comparison of processing time and performance of different methods
| Method | Precision /% | Recall /% | Time /s |
|---|
| Ref. [1] | 89.17 | 92.15 | 0.280 | | Ref. [19] | 91.00 | 94.00 | 0.190 | | NYOLOv2 (t=0.4) | 95.43 | 91.02 | 0.015 | | NYOLOv2 (t=0.5) | 96.48 | 92.50 | 0.015 |
|
查看原文
表 5不同方法的AUC值和处理时间
Table5. AUC values and processing time for different methods
| Method | Prohibitory /% | Mandatory /% | Danger /% | Time /s |
|---|
| Ref. [11] | 95.46 | 93.45 | 91.12 | 0.300 | | Ref. [13] | 95.41 | 92.00 | 91.85 | 0.400-1.000 | | Ref. [14] | 100.00 | 100.00 | 99.91 | 3.533 | | NYOLOv2 | 96.21 | 97.96 | 92.44 | 0.015 |
|
查看原文
童英, 杨会成. 基于改进神经网络的交通标志识别[J]. 激光与光电子学进展, 2019, 56(19): 191002. Ying Tong, Huicheng Yang. Traffic Sign Recognition Based on Improved Neural Networks[J]. Laser & Optoelectronics Progress, 2019, 56(19): 191002.
PDF全文
