基于改进YOLOX的交通标志检测与识别
来源:用户上传
作者:陈民?吴观茂
摘 要:现实中交通标志的检测和识别具有环境多变的特点,交通标志长时间暴露在外经常会出现损坏情况,对检测的精度和速度产生较大影响。利用最新的YOLO系列算法――YOLOX,对网络结构的加强特征提取层进行改进,引入OPA-FPN网络,相较于原来的PANet网络,后者精度提升2.2%。在交通标志识别过程,对经典的卷积神经网络模型LeNet-5进行改进,在数据集TT100K中进行实验,相较于其他交通标志识别模型,使用改进的模型可以使识别正确率提升2.31%,识别时间减少了13.02 ms。
关键词:单步路径聚合网络;YOLO;卷积神经网络;FPN;LeNet-5
中图分类号:TP273+.4 文献标识码:A文章编号:2096-4706(2022)02-0101-04
Abstract: In reality, the detection and recognition of traffic signs have the characteristics of changeable environment. Traffic signs are often damaged after being exposed for a long time, which has a great impact on the accuracy and speed of detection. Using the latest YOLO series algorithm―YOLOX, the enhanced feature extraction layer of the network structure is improved, and the OPA-FPN network is introduced. Compared with the original PANet network, the accuracy of the latter is improved by 2.2%. In the process of traffic sign recognition, the classical convolutional neural network model LeNet-5 is improved, experiments are carried out in the data set TT100K. Compared with other traffic sign recognition models, using the improved model can improve the recognition accuracy by 2.31% and reduce the recognition time by 13.02 ms.
Keywords: single-step path aggregation network; YOLO; convolutional neural network; FPN; LeNet-5
0 引 言
随着城市化的发展,人们的生活质量日益提高,道路上车辆的数量也远超过从前,无人驾驶作为极具发展前景的技术也逐步进入百姓生活中。无人驾驶是在没有驾驶人员的情况下由驾驶系统操控车辆,那么对于驾驶系统掌控道路交通信息就有着更加及时准确的要求。另外,道路堵塞、交通事故经常发生,交通标志检测与识别也可以作为车载辅助系统的重要组成部分,可以防止驾驶员因疏忽大意或在恶劣环境下出现交通事故。因此,在最短时间内达到高准确率的检测和识别极具挑战。
交通标志都是以几种简单形状中的一种构成背景,标志的颜色也是醒目的特定颜色,所以使用基于颜色和形状的方法进行检测[1],传统的交通标志检测算法有复杂度高、系统硬件要求高和需要对训练数据进行不同的预处理等缺点。近年来,基于卷积神经网络的目标检测算法兴起,包括一阶段和二阶段的算法,二阶段算法是由R-CNN为代表的一系列算法[2],检测精度较高。一阶段算法是以YOLO系列为代表的,可以直接得到坐标和框的概率,YOLOv3选用Darknet-53作为主干网络,使用了多标签分类[3];YOLOv4输入端采用Mosaic增强,主干网络使用CSPDarknet-53[4];YOLOv5创新地使用了Focus的结构,将宽高信息集中到了通道信息[5]。
在交通标志检测阶段,本文使用基于端到端的目标检测算法,对网络中的Neck结构进行改进,使用高效的搜索架构得到最佳的特征金字塔路径,对于破损、模糊的交通标志,在提高检测精度的同时提升检测速度;在标志识别阶段,对经典的卷积神经网络模型LeNet-5改进,可以在驾驶过程中时地识别出类别繁多的交通标志。
1 交通标志的检测
YOLO系列算法检测目标的速度很快,YOLOX是YOLO系列的改进版,综合了系列网络的优点,YOLOX是创视科技于2021年发布的新算法,创新地使用了解耦头、Anchor-free和标签分配策略SimOTA,YOLOX在所有模型尺寸上实现了比其他对应目标检测算法更好的速度和准确性之间的权衡。
1.1 YOLOX算法结构
主干部分:YOLOX主干部分使用的是Darknet-53网络结构。输入640×640×3的图片,首先使用Focus网络结构,每隔一个像素拿到一个特征值,然后堆叠将宽高信息集中到通道信息,变成320×320×12的特征层;然后进行卷积标准化和SiLU激活函数,即Resblock-body操作,之后再进行四次Resblock-body的操作;特别地,在YOLOX中,SPP模块被使用在主干特征提取网络中,在最后一次Resblock-body的操作后,通过不同池化核大小的最大池化进行特征提取,提高网络的感受野。
nlc202206201123
转载注明来源:https://www.xzbu.com/1/view-15433998.htm