交通标志检测是自动驾驶系统的一项重要功能，当前先进的交通标志检测器大多采用Anchor-Based网络模型，根据锚框遍历所有潜在的目标位置。为了减少锚框带来的计算开销和过多的超参数设置，提出了一种基于编码-解码结构的Anchor-Free交通标志检测算法。为了增加解码模块的特征表征能力，在解码模块中引入残差增强分支。为了高效地提取和利用多尺度特征，设计了特征融合子网络，提升对多尺度目标的检测能力，并使用Ghost轻量化模块提取多尺度特征图，不显著引进运算量。在Tsinghua-Tencent 100K数据集上进行验证，所提算法实现了92.5%的召回率和90.3%的准确率，模型的参数量和模型大小分别为1.61×10⁷和64.4 Mbit。实验结果表明，与主流目标检测算法相比，所提算法的检测精度较高，计算开销较低，在综合性能上具有优越性。

针对大视野交通场景下背景复杂和交通标志目标较小的问题, 提出一种改进Faster R-CNN检测网络的算法。首先采用深度残差网络ResNet50作为骨干网络, 提取交通标志的特征; 然后设计了在两个不同层级特征图上使用合理尺度滑动窗口的策略来生成目标建议区域, 增强多尺度交通标志的检测能力; 最后在残差块中引入注意力机制模块, 强化图像的关键信息, 抑制图像的背景信息。在中国交通标志数据集上验证了算法的有效性, 取得了98.52%的平均检测精度和每幅图像0.042 s的检测速率。本文算法检测效果明显优于原Faster R-CNN检测方法, 更适用于复杂场景下的交通标志检测, 鲁棒性较强。

针对交通标志只在图像中占极小的区域且难以准确识别的问题,提出一种基于注意力模型的无锚框交通标志识别算法,利用密集连接网络DenseNet-121作为骨干网络并对特征进行提取。为了解决小型交通标志准确率低的问题,在骨干网络中加入注意力模型,可以对特征图进行空间和通道上的自适应调整,通过加强或抑制特征图中元素的权重可以提升对小型交通标志的识别性能。为了减小编码路径与解码路径间的语义鸿沟,引入残差网络的连接方式并提出一种语义连接路径。为了解决锚框中正负样本不均衡的问题,采用无锚框的检测方式可以定位交通标志的中心点、回归边界框的位置与尺寸信息。对所提算法在TT100K数据集上进行验证,实验结果证明所提算法具有优越性。

针对脉冲耦合神经网络在交通标志分割中准确度不高和参数设置复杂的问题,提出一种参数可调的改进脉冲耦合神经网络(PA-MSPCNN)。通过分析交通标志颜色特征,对图像进行红化预处理,区分出交通标志和环境背景;根据周围神经元对中心神经元的影响,改进MSPCNN模型中的加权矩阵和连接系数;通过分析动态阈值间的关系,增设辅助参数,使动态阈值的调节更加合理。实验结果表明,PA-MSPCNN对交通标志的检测准确率达85%。PA-MSPCNN在减少传统PCNN模型中的参数量同时,能准确分割图像,在光照条件变化、交通标志尺度变化和几何旋转等复杂情况下具有更好的适用性。

针对卷积神经网络只能使用相同尺寸图像和卷积核的网络进行特征提取, 导致提取的特征不全面, 在交通标志识别中因车载摄像头与交通标志的位置不断变化影响交通标志的识别精度等问题, 提出了一种基于多尺度特征融合与极限学习机结合的交通标志识别方法。首先, 将预训练适应3种不同尺寸图像的网络模型作为实验的初始模型; 然后, 融合3个网络模型构建多尺度卷积神经网络, 将3个预训练网络的参数级联到融合模型的全连接层, 对融合模型的全连接层进行训练, 采用随机梯度下降算法更新网络参数; 最后, 将融合后的模型作为特征提取器提取特征, 把提取到的多尺度特征送入极限学习机, 实现交通标志识别。实验采用德国交通标志数据库(GTSRB)对算法性能进行测试, 实验结果显示, 多尺度特征融合与极限学习机结合的网络识别精度为99.23%, 识别速度为46 ms。相对于预训练的网络, 网络的分类精度分别提高了2.35%, 3.22%, 3.74%。多尺度特征融合能够有效提取交通标志图像的特征信息, 极限学习机可以提高分类精度和分类时间, 该方法能满足交通标志识别的准确性和实时性的要求。

交通标志等道路设施的空间位置信息是城市三维建模的基本要素之一,也是道路设施养护管理的必要内容。为此,提出一种基于移动测量数据的小型交通标志自动提取方案,基于改进的卷积神经网络SlimNet模型对全景影像上的小交标进行检测,提出一种基于深度图的目标三维空间地理定位方法,并采用以中心点为准的距离判断法提取目标的对角线。选取三类小型交通标志的实测数据对所提方法进行验证分析。实验结果表明,SlimNet模型的平均正确率相比经典的VGG16(Visual Geometry Group 16)模型有4.2个百分点的提升。采用提出的地理定位和矢量化方案,三类目标在实验区的召回率和精确率均达到86%以上,证明整体方案的有效可行性。该方法为城市多类目标的精确三维空间地理定位提供新思路。

在汽车主动安全性能的研究背景下,对目标检测算法Faster R-CNN(Faster Region-Convolutional Neural Networks)进行改进,并将其应用于交通标志的检测。为此,提出一种多尺度卷积核的ResNeXt模型来设计检测算法的基础网络,并在此基础上采用多维特征融合的策略来满足交通标志小目标检测的需求。针对Faster R-CNN中的区域建议网络(RPN),通过拟合交通标志特征来设计锚框以获取更好的推荐区域,从而进一步降低误检率与漏检率。在TT100K数据集中的实验结果表明,改进后的算法在小目标、多目标和复杂背景等的条件下,交通标志的检测效果优异,平均精度达到了90.83%。

为了提升道路交通标志的识别准确率以及实施性能, 本文提出一种改进的LeNet-5卷积神经网络结构对交通标志图像进行训练。首先在检测阶段, 采用基于颜色的轻量级分割算法和Hough变换 算法提取交通标志的目标区域, 并控制算法复杂度使该识别系统基本满足实时性要求, 再利用LeNet-5对交通标志进行分类识别。在实际的校园道路在线识别试验中进行检测, 结果表明, 18个交通 标志通过驾驶均在本文的算法中成功识别, 其运行速率达到16.9 Hz, 基本满足交通标志识别稳定、实时等性能要求。

针对目前实时交通标志识别中出现的对于中小型目标检测精度低的问题, 本文提出了一种基于YOLOv3-tiny的深度可分离卷积(Depthwise Separable Convolutions)的轻量级交通标志检测网络。采用深度可分离卷积构建深度可分离卷积模块代替普通卷积搭建特征提取网络,在保证计算量的前提下更好地提取中小型目标的特征信息。同时, 改进多尺度特征融合网络, 提高对中小型交通标志的检测精度, 使用h-swish激活函数减少因为网络层数增加而丧失的图像特征, 实现对多类交通标志的检测。实验结果表明: 本算法有效的提高了对中小型交通标志的检测, 在验证集上对警告标志(Warining)指示标志(Mandatory)、禁止标志(Prohibitory)3类交通标志进行检测, 检测精度(AP)结果分别为9857%, 96.03%, 98.04%。检测平均精度(mAP)97.54%、检测速度为201.5 f/s.平均精度较YOLOv3-tiny提高了1401%。在保证轻型网络的计算量低、检测时效性好的前提下, 有效地提升了检测精度。