基于深度学习的交通标志检测与识别方法研究.pdf

摘要

随着神经网络和计算机技术的不断进步，计算机视觉算法对交通标志检测的需求越

来越大。在自动驾驶方面，高级辅助驾驶系统具有显著的影响。高级辅助驾驶系统首先

在驾驶期间收集道路环境，并识别、检测和跟踪道路数据，其能够尽快地检测潜在的危

险，从而能够吸引驾驶员的注意，提高行车安全。而交通标志检测在高级辅助驾驶系统

中起着重要的作用，但是交通场景中，交通标志检测具有很大的局限性。在实际的应用

环境中，由于交通标志背景复杂、像素低、特征少等特点，所以很难进行识别。因此针

对在道路环境中的交通标志检测任务，考虑到实时性和精确率等因素，本文对目前的目

标检测算法进行了分析，并提供了可行性的方案。

（1）为了更贴近我国的交通情况，对CCTSDB数据集研究分析后，对数据集进行

了改进，建立了改进的CCTSDB数据集。在原始的数据集中，由于图像许多尺寸不同，

无法在网络里进行训练，且部分图像未被标注。所以在本文中对数据集进行了重新标注，

且进行图像处理，增加了网络学习的复杂度。

（2）本文提出了基于特征提取融合的交通标志检测模型。由于目前的目标检测算

法提取的目标特征单一，而交通标志尺度多种多样，存在很多小目标。本文选取了SSD

网络作为基础模型，但是其网络模型不够轻量，且检测准确度较低。所以使用ResNet-

50作为骨干网络，提升检测速度。并加入了深度可分离卷积层，避免在特征融合过程中

失去一些特征信息，从而能够获取到更多关于交通标志的特征表达。采用MFPN金字塔

结构模型，结合了交通标志附近不同的位置信息，提高了网络对于不同尺寸交通标志的

表达能力。

（3）其次，本文提出了基于自注意力机制的交通标志检测模型。首先，利用一种新

的骨干网络ShuffleNet-v2来降低算法的参数，实现轻量级检测，提高检测速度。其次，

引入了双向特征金字塔网络结构来捕获多尺度的交通标志信息，从而获取更多的特征信

息。针对不同尺寸的交通标志信息，选用不同的特征，提高检测精度。最后，为了解决

在道路环境中的复杂信息，利用协调注意机制将位置信息添加到通道注意中，从而增强

特征表达。

为了验证所提MF-SSD和YOLO-FAM算法的性能，本文采用公有数据集CCTSDB

和GTSDB上进行了多次消融和对比实验。结果表明，本文所提算法，在检测速度以及

检测精度上，均有显著提升，且能够满足交通标志检测任务对算法的要求。

关键词：卷积神经网络，交通标志检测，特征提取融合，注意力机制，目标检测

ABSTRACT

Withtheimprovingconstantlyofneuralnetworkandcomputertechnology,thedemandof

computervisionalgorithmsfortrafficsigndetectionisincreasing.Intermsofautonomousdriving,the

advancedauxiliarydrivingsystemhasasignificantimpact.Intheprocessofdriving,theadvancedauxiliary

drivingsystemfirstlycollectstheroadenvironment,andtheroaddataareidentification,detectionand

tracking,canbefoundinthefirstplaceofpotentialdanger,soastoattracttheattentionofthedriverand

improvethesecurityofdriving.Trafficsigndetectionintheadvancedauxiliarydrivingoccupiesanimportant

positioninthesystem,butintrafficscenes,