基于Darknet23和特征融合的交通标志检测方法

摘要：

道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法.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;将原模型的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;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,该方法在CCTSDB数据集上mAP@0.75达到86.10％、mAP@0.5∶0.05∶0.95达到70.017％,相比原网络分别提升10.17％和5.656％,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络.

关键词：交通标志检测、双向特征金字塔、Darknet23网络、K-means聚类、损失函数

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金62162002

在线出版日期：2023-02-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：14-19