江金懋,钟国韵

• 1:东华理工大学信息工程学院

摘要(Abstract)：

交通标志检测是自动驾驶领域的一个重要课题，其对于检测系统的实时性和精度都有非常高的要求。目标检测领域中的YOLOv3算法是业界公认在精度和速度上都处于前列的一种算法。文中以YOLOv3检测算法作为基础网络，提出一种双向嵌套级联残差单元（bid-NCR），替换掉原网络中顺序堆叠的标准残差块。双向嵌套级联残差单元的两条残差边采用相同的结构，都是一次卷积操作加上一次级联残差处理，两条边上级联的标准残差块的数量可以调节，从而形成不同的深度差。然后将两条边的结果逐像素相加，最后再做一次卷积操作。相较于标准残差块，双向嵌套级联残差单元拥有更强的特征提取能力和特征融合能力。文中还提出跨区域压缩模块（CRC），它是对2倍率下采样卷积操作的替代，旨在融合跨区域的通道数据，进一步加强主干网络输入特征图所包含的信息。实验结果表明：提出的模型在CCTSDB数据集上mAP(0.5)、mAP(0.5∶0.95)分别达到96.86%、68.66%,FPS达到66.09帧。相比于YOLOv3算法，3个指标分别提升1.23%、10.35%、127.90%。

关键词(KeyWords)： 交通标志检测;双向嵌套级联残差单元;跨区域压缩模块;YOLOv3;长沙理工大学中国交通标志检测数据集;特征提取;特征融合

Abstract:

Keywords:

基金项目(Foundation):

作者(Author): 江金懋,钟国韵

DOI: 10.16652/j.issn.1004-373x.2024.05.031

参考文献(References)：

• [1]薛搏，李威，宋海玉，等.交通标志识别特征提取研究综述[J].图学学报，2019,40(6):1024-1031.
• [2]刘万军，李嘉欣，曲海成，等.基于多尺度卷积神经网络的交通标示识别研究[J].计算机应用研究，2022,39(5):1557-1562.
• [3]张小雪，黄巍.基于改进的Tiny-YOLOv4快速交通标志检测算法[J].电子设计工程，2022,30(19):139-143.
• [4] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition. New York:IEEE, 2014:580-587.
• [5] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN:Towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6):1137-1149.
• [6] CAI Z W, VASCONCELOS N. Cascase R-CNN:Delving into high quality object detection[EB/OL].[2018-08-31]. https://www.doc88.com/p-3292522358799.html.
• [7] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once:Unified, real-time object detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. New York:IEEE, 2016:779-788.
• [8] LIU W, ANGUELOV D, ERHAN D, et al. SSD:Single shot multibox detextor[EB/OL].[2018-08-10]. https://download.csdn.net/download/qq_31329259/10594621?utm_source=iteye.
• [9]徐正军，张强，许亮.一种基于改进YOLOv5s-Ghost网络的交通标志识别方法[J].光电子·激光，2023,34(1):52-61.
• [10]陈德海，孙仕儒，王昱朝，等.一种改进YOLOv3的交通标志识别算法[J].河南科技大学学报（自然科学版），2022,43(6):31-36.
• [11]乔欢欢，权恒友，邱文利，等.改进YOLOv5s的交通标志识别算法[J].计算机系统应用，2022,31(12):273-279.
• [12]李文举，张干，崔柳，等.基于坐标注意力的轻量级交通标志识别模型[J].计算机应用，2023,43(2):608-614.
• [13] REDMON J, FARHADI A. YOLOv3:An incremental improvement[EB/OL].[2018-08-13]. http://arxiv.org/abs/1804.02767.
• [14] REDMON J, FARHADI A. YOLO9000:Better, faster, stronger[C]//IEEE Conference on Computer Vision and Pattern Recognition. New York:IEEE, 2017:6517-6525.
• [15] SANDLER M, HOWARD A, ZHU M L, et al. MobileNetV2:Inverted residuals and linear bottlenecks[C]//IEEE/CVF Conference on Computer Vision and Pattern Recognition. New York:IEEE, 2018:4510-4520.
• [16] HE K M, ZHANG X Y, REN S Q. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition. New York:IEEE, 2016:770-778.
• [17]李旭东，张建明，谢志鹏，等.基于三尺度嵌套残差结构的交通标志快速检测算法[J].计算机研究与发展，2020,57(5):1022-1036.
• [18]杜婷婷，钟国韵，江金懋，等.基于Darknet23和特征融合的交通标志检测方法[J].电子技术应用，2023,49(1):14-19.
• [19]张达为，刘绪崇，周维，等.基于改进YOLOv3的实时交通标志检测算法[J].计算机应用，2022,42(7):2219-2226.
• [20]王浩，雷印杰，陈浩楠.改进YOLOv3实时交通标志检测算法[J].计算机工程与应用，2022,58(8):243-248.
• [21] ZHANG J M, WANG W, LU C Q, et al. Lightweight deep network for traffic sign classification[J]. Annals of telecommunications, 2020, 75(7/8):369-379.