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。

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%。

提出了一种基于改进卷积神经网络的交通标志检测方法。预训练模型产生否定;使用难分类负样本采集将负样本输入到网络中,提高模型的判别能力;使用多尺度训练过程中的特征级联策略来进一步提升模型的性能。利用TensorFlow框架在德国交通标志检测数据集上对所提方法的有效性进行了仿真。研究结果表明,与现有技术相比,所提方法能够获得更快的检测速率,处理每幅图像仅需0.016 s。

交通标志检测是驾驶辅助系统的重要功能, 但对实时性极高的要求使其非常具有挑战性。提出了一种高性能禁令标志检测模块的VLSI结构, 并在FPGA平台上完成了实现和验证。该结构的基本原理是同时利用颜色与形状特征, 在图像的红色边缘位图中采用圆霍夫变换检测圆形。通过挖掘圆霍夫变换的局部特性, 所提出的结构在内存占用方面显著低于常规结构。所有半径同时投票的设计使FPGA的逻辑单元和内存的并行性得以充分发挥。该结构在Altera公司的EP3C55F484C6型FPGA上进行了验证, 其最大可运行频率达到122 MHz, 且资源占用在可接受范围内。实验结果表明: 该结构的吞吐量达到115 M像素/s, 且对低光照条件、局部遮挡、多标志相连和相似背景颜色等不利条件具有良好的适应能力。