基于深度学习的城市道路交通标志检测方法研究

这是一篇关于深度学习,交通标志检测,SSD,MobileNetV3,多感受野的论文, 主要内容为近年来,随着深度学习在智能交通系统领域的迅猛发展,为道路交通问题带来了更加有效的解决方案。交通标志检测是智能交通系统的一个重要组成部分,可为驾驶人在自动驾驶和辅助驾驶等方面进行预警,从而减少交通事故的发生。在实际的驾驶环境中,自然场景的复杂性和不确定性的问题,决定了交通标志检测的实时性和准确性是研究的重中之重。为解决现有目标检测方法实时性不高,对交通标志检测效果较差,难以应对各种复杂场景的问题。本文以深度学习中目标检测算法SSD作为基础框架,以城市道路交通场景下的交通标志为研究对象,从SSD的基础网络、辅助网络以及感受野等方面进行改进。本文的主要工作内容如下:(1)为了满足城市道路交通场景下交通标志检测实时性的要求,提出了一种基于改进SSD的交通标志检测算法(MV3-SSD),利用基于深度可分离卷积的Mobile Net V3网络替换SSD的基础网络,并采用逆残差结构改进辅助网络,大大减少了网络的参数量;为了更好的使网络适应对交通标志的检测任务,重新设计了默认框的大小、宽高比和数量,得到了适应交通标志检测任务的默认框,提高了算法对交通标志的检测效率。通过数据补充与增强,得到了拥有丰富交通场景的数据集ICCTSDB,并在此数据集上进行训练与测试,实验结果表明,MV3-SSD相较于SSD和Movbile Net-SSD,实现了检测速度与精度之间的高效平衡。(2)为了提高城市道路交通场景下交通标志检测的特征提取能力,提出了一种基于改进多感受野的交通标志检测算法(IR-MV3-SSD),通过改进多感受野模块的RFB和RFB-s两种网络结构,并嵌入到MV3-SSD网络中,减少了多感受野模块的参数量,同时丰富了网络浅层特征层的语义信息,并且增强了网络的特征提取能力;在模型训练阶段,使用余弦型衰减的预热策略,使学习率下降更加平缓和均匀,达到了更好的训练效果。实验结果表明,IR-MV3-SSD在ICCTSDB测试集上的m AP达到了93.16%,检测速度为57帧/秒,相较于SSD、Yolov3和Faster-RCNN拥有更高检测精度的同时仍然具备高实时性,最后通过Raspberry pi 4B做为小型嵌入式硬件平台完成模型部署,实验结果证明了本文所提方法的有效性。

基于VFNet的交通标志检测算法研究

这是一篇关于深度学习,交通标志检测,特征融合,ConvMLP,Transformer的论文, 主要内容为交通标志检测是智能交通领域的热门研究方向,旨在确定交通标志在真实交通场景中的位置和类别信息,起到提醒驾驶员注意前方道路状况的作用。交通标志的准确检测避免了因未注意到交通标志的存在导致的无意的交通违法行为,从而提高了驾驶的安全性。交通标志检测面临多种挑战,包括复杂的道路环境、光照条件和天气变化,以及背景中存在和交通标志相似的广告牌等问题,这些挑战使得准确地检测出交通标志成为一个难题。为解决以上问题,本文以VFNet目标检测算法为基准,对交通标志检测进行了研究,主要研究内容如下:(1)提出了一种基于加权动态融合和Conv Ne Xt的交通标志检测方法。首先,针对VFNet的主干网Res Net50在特征提取过程中交通标志的位置信息丢失严重,影响交通标志准确定位的问题,在Res Net50中引入跨阶段的特征复用和加权动态融合机制,增强Res Net50后三个阶段输出特征图的位置信息,提升VFNet对交通标志的准确定位能力。此外,将原VFNet检测头替换为结合Conv Ne Xt的VFNet检测头,可以捕获大量的上下文信息,充分利用FPN传入VFNet检测头的多尺度特征。通过以上改进,显著提升了VFNet算法对交通标志检测的准确率。(2)提出了一种基于Conv MLP和Transformer的交通标志检测方法。首先,将主干网Res Net50替换为Conv MLP-M,在减少参数量和计算量的同时提升对交通标志的检测效果。然后,利用Transformer结构的优势,使用结合Transformer的VFNet检测头,在减少参数量和计算量的前提下提升VFNet算法对交通标志的检测效果。通过以上改进,在减少参数量和计算量的前提下,显著提升了VFNet算法对交通标志检测的准确率。

基于深度学习的城市道路交通标志检测方法研究

这是一篇关于深度学习,交通标志检测,SSD,MobileNetV3,多感受野的论文, 主要内容为近年来,随着深度学习在智能交通系统领域的迅猛发展,为道路交通问题带来了更加有效的解决方案。交通标志检测是智能交通系统的一个重要组成部分,可为驾驶人在自动驾驶和辅助驾驶等方面进行预警,从而减少交通事故的发生。在实际的驾驶环境中,自然场景的复杂性和不确定性的问题,决定了交通标志检测的实时性和准确性是研究的重中之重。为解决现有目标检测方法实时性不高,对交通标志检测效果较差,难以应对各种复杂场景的问题。本文以深度学习中目标检测算法SSD作为基础框架,以城市道路交通场景下的交通标志为研究对象,从SSD的基础网络、辅助网络以及感受野等方面进行改进。本文的主要工作内容如下:(1)为了满足城市道路交通场景下交通标志检测实时性的要求,提出了一种基于改进SSD的交通标志检测算法(MV3-SSD),利用基于深度可分离卷积的Mobile Net V3网络替换SSD的基础网络,并采用逆残差结构改进辅助网络,大大减少了网络的参数量;为了更好的使网络适应对交通标志的检测任务,重新设计了默认框的大小、宽高比和数量,得到了适应交通标志检测任务的默认框,提高了算法对交通标志的检测效率。通过数据补充与增强,得到了拥有丰富交通场景的数据集ICCTSDB,并在此数据集上进行训练与测试,实验结果表明,MV3-SSD相较于SSD和Movbile Net-SSD,实现了检测速度与精度之间的高效平衡。(2)为了提高城市道路交通场景下交通标志检测的特征提取能力,提出了一种基于改进多感受野的交通标志检测算法(IR-MV3-SSD),通过改进多感受野模块的RFB和RFB-s两种网络结构,并嵌入到MV3-SSD网络中,减少了多感受野模块的参数量,同时丰富了网络浅层特征层的语义信息,并且增强了网络的特征提取能力;在模型训练阶段,使用余弦型衰减的预热策略,使学习率下降更加平缓和均匀,达到了更好的训练效果。实验结果表明,IR-MV3-SSD在ICCTSDB测试集上的m AP达到了93.16%,检测速度为57帧/秒,相较于SSD、Yolov3和Faster-RCNN拥有更高检测精度的同时仍然具备高实时性,最后通过Raspberry pi 4B做为小型嵌入式硬件平台完成模型部署,实验结果证明了本文所提方法的有效性。

自然场景下的交通标志检测方法研究

这是一篇关于交通标志检测,深度学习,Darknet23网络,轻量化,检测与识别系统的论文, 主要内容为交通标志检测作为在智能交通系统中的一种关键技术应用,被广泛应用无人驾驶、高级辅助驾驶等领域。它可以辅助驾驶员准确、高效地识别道路交通标志,有效减轻驾驶疲劳,保障安全驾驶。目前大多数的检测方法是基于深度学习的,主要面临着检测环境复杂、目标较小、速度慢、精度低、计算资源要求较高等问题。对于这些问题,本文主要围绕加强主干特征提取网络能力、获取全局上下文语义信息、关注目标重要区域等展开研究,具体工作内容如下:(1)针对交通标志检测存在环境复杂、速度慢等问题,提出一种基于Darknet23和特征融合的交通标志检测方法。将主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明,改进后的方法在中国交通标志数据集CCTSDB上精度和速度都有所提升,优于SSD等主流检测网络。(2)针对交通标志检测存在目标较小、精度低、计算资源要求较高等问题,提出一种基于注意力机制的轻量化交通标志检测方法。将主干特征提取网络中的激活函数改为Elish,改善信息传播,避免出现梯度消失的问题;将传统卷积替换为在分类任务中更准确高效的深度可分离卷积;最后为了将注意力集中在小目标对象上,加入注意力模块。实验结果表明,改进后的方法在资源受限的设备中使用德国交通标志检测识别数据集GTSDB上参数量更小、精度更高、检测速度满足应用要求,优于Faster RCNN等主流检测网络。(3)为了实现交通标志快速识别的需求,设计并实现了网页版的交通标志检测与识别系统。系统使用前后端分离技术,前端主要包括图片上传、图片识别结果展示、图片检测结果下载等功能,使用Vue和Element UI进行开发;后端主要提供图片上传接口和图片下载接口,使用Flask框架开发;系统实现了对交通标志的类别、大小、置信度的准确检测,具有应用价值。

基于深度学习的城市道路交通标志检测方法研究

这是一篇关于深度学习,交通标志检测,SSD,MobileNetV3,多感受野的论文, 主要内容为近年来,随着深度学习在智能交通系统领域的迅猛发展,为道路交通问题带来了更加有效的解决方案。交通标志检测是智能交通系统的一个重要组成部分,可为驾驶人在自动驾驶和辅助驾驶等方面进行预警,从而减少交通事故的发生。在实际的驾驶环境中,自然场景的复杂性和不确定性的问题,决定了交通标志检测的实时性和准确性是研究的重中之重。为解决现有目标检测方法实时性不高,对交通标志检测效果较差,难以应对各种复杂场景的问题。本文以深度学习中目标检测算法SSD作为基础框架,以城市道路交通场景下的交通标志为研究对象,从SSD的基础网络、辅助网络以及感受野等方面进行改进。本文的主要工作内容如下:(1)为了满足城市道路交通场景下交通标志检测实时性的要求,提出了一种基于改进SSD的交通标志检测算法(MV3-SSD),利用基于深度可分离卷积的Mobile Net V3网络替换SSD的基础网络,并采用逆残差结构改进辅助网络,大大减少了网络的参数量;为了更好的使网络适应对交通标志的检测任务,重新设计了默认框的大小、宽高比和数量,得到了适应交通标志检测任务的默认框,提高了算法对交通标志的检测效率。通过数据补充与增强,得到了拥有丰富交通场景的数据集ICCTSDB,并在此数据集上进行训练与测试,实验结果表明,MV3-SSD相较于SSD和Movbile Net-SSD,实现了检测速度与精度之间的高效平衡。(2)为了提高城市道路交通场景下交通标志检测的特征提取能力,提出了一种基于改进多感受野的交通标志检测算法(IR-MV3-SSD),通过改进多感受野模块的RFB和RFB-s两种网络结构,并嵌入到MV3-SSD网络中,减少了多感受野模块的参数量,同时丰富了网络浅层特征层的语义信息,并且增强了网络的特征提取能力;在模型训练阶段,使用余弦型衰减的预热策略,使学习率下降更加平缓和均匀,达到了更好的训练效果。实验结果表明,IR-MV3-SSD在ICCTSDB测试集上的m AP达到了93.16%,检测速度为57帧/秒,相较于SSD、Yolov3和Faster-RCNN拥有更高检测精度的同时仍然具备高实时性,最后通过Raspberry pi 4B做为小型嵌入式硬件平台完成模型部署,实验结果证明了本文所提方法的有效性。

无人驾驶视觉传感器神经网络算法及安全性研究

这是一篇关于深度神经网络,交通标志检测,对抗扰动,WGAN-GP,微服务的论文, 主要内容为随着人工智能相关技术的成熟和智能服务产业的不断发展,深度神经网络已广泛应用在无人驾驶和目标检测等领域。然而,近几年研究表明,深度神经网络模型易受对抗扰动图像欺骗,导致应用在无人驾驶车辆上的目标检测模型(如交通标志检测模型、行人检测模型和障碍物检测模型等)出现检测失效或错误分类的情况。目标检测模型存在的安全隐患会使无人驾驶系统产生决策失误,从而引起人员财产损失。因此,为进一步验证应用在视觉传感器的深度神经网络存在安全漏洞,本文从基于物理世界对抗和基于数字世界对抗两个角度进行研究。在基于现有物理世界对抗方法的研究中,当对抗目标为交通标志时,对抗方法所生成的对抗扰动图像易受环境因素影响。在基于现有数字世界对抗方法的研究中,对抗方法存在梯度弥散的问题,并且在训练时没有利用目标网络模型中卷积层提供的特征信息。为解决上述问题,本文的主要工作如下:(1)针对交通标志的对抗扰动图像易受环境因素影响的问题,本文提出了一种应用于交通标志检测模型的对抗扰动图像生成方法。该方法在生成对抗扰动图像的总损失函数中,引入一种损失函数来约束对抗扰动图像输入与原始图像输入之间的预期有效距离误差,以提高对抗扰动图像的对抗效果。在训练对抗扰动图像时,提出一种多类别数据增强方法,通过仿射变换和外观变换来扩充对抗扰动图像集,提升对抗扰动图像的鲁棒性能。实验结果表明,该方法生成的对抗扰动图像使交通标志检测模型的m AP值降低至25.6%,相较于现有的基于物理世界对抗方法,总体对抗性能得到提升。(2)针对现有数字世界对抗方法存在梯度弥散和未利用卷积层特征的问题,本文提出了一种基于WGAN-GP(Wasserstein GAN-Gradient Penalty,WGAN-GP)的对抗扰动图像生成方法。该方法采用WGAN-GP目标损失函数替代传统的目标损失函数,以解决生成器存在梯度弥散的问题。并且在网络框架中引入特征提取器,使GAN网络生成器从学习原始图像的特征转换为学习目标特征,增强对抗扰动图像的隐蔽性和提高对抗效果。基于不同目标网络模型的实验结果表明,该方法生成的对抗扰动图像在对抗性能和图像质量上都优于现有的基于数字世界对抗方法生成的对抗扰动图像。(3)为直观展示和便于用户可选择性地生成上述两种对抗方法生成的对抗扰动图像,本文设计并实现了一个对抗扰动图像生成系统。该系统基于微服务架构设计有效地降低了模块之间的耦合度,实现了业务服务的可扩展性,并为本文提出的对抗方法提供了实验测试平台。

无人驾驶视觉传感器神经网络算法及安全性研究

这是一篇关于深度神经网络,交通标志检测,对抗扰动,WGAN-GP,微服务的论文, 主要内容为随着人工智能相关技术的成熟和智能服务产业的不断发展,深度神经网络已广泛应用在无人驾驶和目标检测等领域。然而,近几年研究表明,深度神经网络模型易受对抗扰动图像欺骗,导致应用在无人驾驶车辆上的目标检测模型(如交通标志检测模型、行人检测模型和障碍物检测模型等)出现检测失效或错误分类的情况。目标检测模型存在的安全隐患会使无人驾驶系统产生决策失误,从而引起人员财产损失。因此,为进一步验证应用在视觉传感器的深度神经网络存在安全漏洞,本文从基于物理世界对抗和基于数字世界对抗两个角度进行研究。在基于现有物理世界对抗方法的研究中,当对抗目标为交通标志时,对抗方法所生成的对抗扰动图像易受环境因素影响。在基于现有数字世界对抗方法的研究中,对抗方法存在梯度弥散的问题,并且在训练时没有利用目标网络模型中卷积层提供的特征信息。为解决上述问题,本文的主要工作如下:(1)针对交通标志的对抗扰动图像易受环境因素影响的问题,本文提出了一种应用于交通标志检测模型的对抗扰动图像生成方法。该方法在生成对抗扰动图像的总损失函数中,引入一种损失函数来约束对抗扰动图像输入与原始图像输入之间的预期有效距离误差,以提高对抗扰动图像的对抗效果。在训练对抗扰动图像时,提出一种多类别数据增强方法,通过仿射变换和外观变换来扩充对抗扰动图像集,提升对抗扰动图像的鲁棒性能。实验结果表明,该方法生成的对抗扰动图像使交通标志检测模型的m AP值降低至25.6%,相较于现有的基于物理世界对抗方法,总体对抗性能得到提升。(2)针对现有数字世界对抗方法存在梯度弥散和未利用卷积层特征的问题,本文提出了一种基于WGAN-GP(Wasserstein GAN-Gradient Penalty,WGAN-GP)的对抗扰动图像生成方法。该方法采用WGAN-GP目标损失函数替代传统的目标损失函数,以解决生成器存在梯度弥散的问题。并且在网络框架中引入特征提取器,使GAN网络生成器从学习原始图像的特征转换为学习目标特征,增强对抗扰动图像的隐蔽性和提高对抗效果。基于不同目标网络模型的实验结果表明,该方法生成的对抗扰动图像在对抗性能和图像质量上都优于现有的基于数字世界对抗方法生成的对抗扰动图像。(3)为直观展示和便于用户可选择性地生成上述两种对抗方法生成的对抗扰动图像,本文设计并实现了一个对抗扰动图像生成系统。该系统基于微服务架构设计有效地降低了模块之间的耦合度,实现了业务服务的可扩展性,并为本文提出的对抗方法提供了实验测试平台。

基于深度学习的交通标志识别方法研究

这是一篇关于交通标志检测,深度学习,YOLO,注意力机制的论文, 主要内容为近年来,在中国经济快速发展,国民收入稳步上升,以及城市交通网络高度发达的有利背景下,城市道路中的机动车数量持续上涨,人们交通出行舒适度大幅度提升,生活质量发生质的飞跃。然而,大量机动车涌入城市道路,也给城市交通安全带来了巨大考验,造成了交通事故、财产损失等一系列社会问题。随着科技的进步,人工智能技术的兴起,智能交通系统的发展有望缓解城市交通压力,降低道路交通事故发生率,减轻人民群众财产损失。交通标志检测作为智能交通系统中的重要组成部分,也受到了越来越多研究人员的关注。真实场景下的交通标志检测,因为受到复杂背景环境,极端天气因素,以及拍摄设备等众多方面的影响,检测精度一直没能达到令人满意的结果。考虑到交通标志检测对速度的要求,以及单阶段目标检测器的泛化效率优势,本文基于YOLO系列算法,使用中国真实道路场景发布的TT100K数据集和CCTSDB数据集作为研究基础,对交通标志检测展开研究,并尝试提高交通标志检测精度,助力智能交通系统的发展。本文的主要工作包括以下几个方面:(1)经过对TT100K数据集的分析发现,该数据集存在严重的样本不平衡问题。本文使用数据增强方法对数据集进行了扩充。(2)本文分析了YOLO V3目标检测算法存在的问题,并融合注意力机制和空洞卷积完成了对YOLO V3模型的改进。改进后的YOLO V3模型检测m AP在TT100K数据集达到了84.33%,相比于原始模型提高了4.42%。在CCTSDB数据集上,检测精度也有明显提升。(3)为了进一步提升检测精度,本文使用YOLO V5目标检测算法展开了对交通标志检测的进一步研究,并融合平衡特征金字塔和GC block完成了对模型的优化。优化后的模型在TT100K数据集上检测精度和召回率都有了大幅度提高,m AP在原始基础上提升了1.9%,达到了89.7%。(4)为了将提出的交通标志检测方法应用于实际场景,本文将优化后的YOLO V5模型实现为一套基于Web的交通标志检测系统。该系统基于B/S架构,用户可以通过本地浏览器,实现对图片和视频中的交通标志实时检测。系统页面简洁,操作方便,人机界面友好。

基于轻量级网络的交通标志检测算法设计与系统实现

这是一篇关于交通标志检测,数据增强,知识蒸馏,模型压缩,硬件部署的论文, 主要内容为自动驾驶是当前具有重要应用价值的研究领域,而交通标志检测与识别是应用在自动驾驶领域的重要研究方向之一。当前随着深度学习的持续发展和技术提升,基于深度学习的交通标志检测与识别算法以优于传统方法的特性,成为交通标志检测与识别领域的首选算法。虽然性能达到较高水平,但是由于模型参数量大、计算存储成本要求高等问题,在移动端部署难以实时检测,因此需要在完成交通标志检测任务的同时,尽可能减少模型的参数量和计算量。本论文对轻量级的交通标志检测算法设计进行了研究,主要贡献如下:(1)对YOLOv3-tiny进行了四点改进,提出了一种轻量级交通标志检测网络。首先,引入轻量级通道注意力模块,加强网络主干对重要信息的提取能力;其次,融合深浅层特征增加一个新的检测尺度,提升网络的检测能力;再次,改进网络特征提取层,加深网络深度,增强网络特征提取能力;最后改进损失函数为CIo U优化定位损失的计算,减少误差。(2)针对交通标志数据集中存在的目标实例占比过小、类别不平衡、标签尺寸差异大等问题,采用多种数据增强方法,包括图像裁剪、Mosaic、多尺度训练等相结合来充分利用训练集的信息,有效提升网络性能。(3)为进一步减少改进后模型的参数量和计算量,使用基于BN层的通道剪枝算法对改进后模型进行剪枝,并针对手动调节剪枝比效率较低的问题,提出了一种基于二分查找策略的剪枝比搜索方法。(4)使用知识蒸馏对剪枝后性能损失较大的模型进行精度恢复,并提出了一种基于多元分支模块的知识蒸馏方法,有效提升剪枝后精度损失较大模型的性能。(5)将最终模型部署到Jetson Xavier NX嵌入式开发板上,采集并建立实际场景交通标志图片数据集并对其进行测试,同时在目标板上搭建了交通视频实时检测的系统,验证了其可行性。本论文针对网络改进、模型压缩和硬件部署等方面进行一系列对比试验,最终得到的算法模型参数量仅为3.16M,计算量为75.89B,在清华腾讯交通标志数据集上检测准确率达到88.94%。并对实际场景进行测试,在目标板上基本实现了实时检测。实验结果表明,本论文提出的模型可以在参数量小、推理速度快的前提下,较好的完成实时交通标志检测与识别任务。

自然场景下的交通标志检测方法研究

这是一篇关于交通标志检测,深度学习,Darknet23网络,轻量化,检测与识别系统的论文, 主要内容为交通标志检测作为在智能交通系统中的一种关键技术应用,被广泛应用无人驾驶、高级辅助驾驶等领域。它可以辅助驾驶员准确、高效地识别道路交通标志,有效减轻驾驶疲劳,保障安全驾驶。目前大多数的检测方法是基于深度学习的,主要面临着检测环境复杂、目标较小、速度慢、精度低、计算资源要求较高等问题。对于这些问题,本文主要围绕加强主干特征提取网络能力、获取全局上下文语义信息、关注目标重要区域等展开研究,具体工作内容如下:(1)针对交通标志检测存在环境复杂、速度慢等问题,提出一种基于Darknet23和特征融合的交通标志检测方法。将主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明,改进后的方法在中国交通标志数据集CCTSDB上精度和速度都有所提升,优于SSD等主流检测网络。(2)针对交通标志检测存在目标较小、精度低、计算资源要求较高等问题,提出一种基于注意力机制的轻量化交通标志检测方法。将主干特征提取网络中的激活函数改为Elish,改善信息传播,避免出现梯度消失的问题;将传统卷积替换为在分类任务中更准确高效的深度可分离卷积;最后为了将注意力集中在小目标对象上,加入注意力模块。实验结果表明,改进后的方法在资源受限的设备中使用德国交通标志检测识别数据集GTSDB上参数量更小、精度更高、检测速度满足应用要求,优于Faster RCNN等主流检测网络。(3)为了实现交通标志快速识别的需求,设计并实现了网页版的交通标志检测与识别系统。系统使用前后端分离技术,前端主要包括图片上传、图片识别结果展示、图片检测结果下载等功能,使用Vue和Element UI进行开发;后端主要提供图片上传接口和图片下载接口,使用Flask框架开发;系统实现了对交通标志的类别、大小、置信度的准确检测,具有应用价值。

基于改进Faster R-CNN和YOLOX的交通标志检测算法研究

这是一篇关于智能驾驶,交通标志检测,Faster R-CNN,YOLOX,轻量化的论文, 主要内容为随着智能驾驶领域的不断进步,汽车安全的关注点也在向主动安全靠拢,环境感知技术成为亟需攻坚的重要课题。交通标志检测作为智能车环境感知的重点细分领域,科研人员和汽车厂商从未停止对其的研究和探索。论文开展基于改进Faster R-CNN和YOLOX的交通标志检测算法研究,主要工作如下:(1)基于Faster R-CNN算法,将骨干网络VGG16替换为Res Net50,将混合注意力机制融入主干残差结构,利用多尺度滑动窗口改进RPN网络,在不同深度卷积层生成特征图,并进行特征融合。构建交通标志数据集,并利用K-means++算法设计锚框。结果表明,改进后的算法将检测精度m AP从85.99%提高到了94.38%。(2)基于YOLOXs算法,提取主干网络浅层特征,并进行多特征融合。增设浅层特征预测头,组成多预测头检测层,将轻量ECA注意力模块融入到Neck特征增强网络,共同组成改进的M-YOLOXs交通标志检测算法,改进算法提高了2.68%的检测精度。(3)针对CPU硬件环境,对M-YOLOXs算法进行轻量,分别使用Mobile Netv3和Ghost Net两种轻量网络替代主干,并基于深度卷积和逐点卷积,对特征增强网络进一步轻量,构建了LM-YOLOXs-m和LM-YOLOXs-g两种轻量化交通标志检测算法,参数量缩减了44%以上,权重文件轻量到22M以内,并从精度和速度两方面验证轻量算法的有效性。