复杂环境下的交通标志检测与识别方法综述

交通标志检测与识别是无人驾驶三大模块中环境感知的研究热点之一,检测和识别交通标志可以向无人车传递道路交通信息,优化行车决策.在暴雨、大雾以及光线昏暗等复杂环境下,拍摄到的图像往往会被遮挡,变得模糊.这不仅影响图像的质量,还会对后期标志的检测与识别带来巨大的困难.简述了交通标志检测与识别方法,对近年来国内外学者解决各类复...     

道路交通标志单因素视觉信息易读性研究

文章研究交通标志文字的字数对信息易读性的影响。通过设计实验来测量不同字数的道路交通标志认读阈限,作为衡量视觉信息易读性的一个标准。通过重复测量设计实验,对此实验得出的数据进行单因素重复测量方差分析,得出字数对易读性的影响关系,随着字数的增加易读性越差。为以后设计符合人类工效学原则的道路交通标志工作做铺垫。     

基于AdaBoost的人行横道红绿灯自动识别算法

鉴于目前绝大部分人行横道红绿灯没有配合声音提示,利用带摄像头的可穿戴计算设备,通过人行横道红绿灯的自动识别技术,可大大提高盲人过马路的安全系数。提出一个融合级联Adaboost与颜色过滤的人行横道红绿灯自动识别算法,该方法首先利用AdaBoost算法对红绿灯进行检测定位,然后在HSI色彩模型的色调子空间进行颜色分析的基础上进行红绿灯的过滤与分类。用采集的418幅实际复杂场景下的图像数据进行实验,结果表明该方法能达到较好的检测效果。     

复杂光照下的交通标志检测与识别

针对不同光照下交通标志图像检测与识别困难的问题,提出一种基于Retinex-Gamma的光照图像增强算法,该算法与Mask R-CNN相结合,称为Retinex-Gamma-MaskR-CNN算法.首先,基于光照反射成像模型将图像RGB空间转换为HSV空间,对V通道进行多尺度高斯滤波处理获得光照分量,利用光照分量提取反射分量,并对反射分量进行线性拉升优化;其次,利用光照分量的分布特征进行二维Gamma函数调整,并获得优化后的亮度分量;最后,利用混合空间增强法获得增强后的V通道,重新构造图像.实验采用的ZCTSDB数据集共有15 724幅图像,包含不同光照的驾驶环境.实验结果表明,与标准Mask R-CNN相比, Retinex-Gamma-Mask R-CNN算法对交通标志的目标检测的均值平均精度提升了0.161%,对交通标志的实例分割的均值平均精度提升了0.363%.     

一种改进的YOLOv5小目标交通标志检测方法

针对实景交通标志检测方法研究中存在小目标识别精度较低、网络模型较大等问题,将一种改进的YOLOv5网络模型用于交通标志检测中。通过削减特征金字塔深度、引入卷积注意力模块优化网络结构,保留小目标信息并增强模型特征提取能力。采用K-means聚类算法确定适用于小目标识别的初始锚框,进一步提高模型检测精度。通过TT100K数据集验证表明,与YOLOv5模型相比,上述方法平均准确率提高3.0%,小目标检测平均精度提高5.0%,且模型大小为原模型的25.1%,保证较高识别能力的同时减少了模型参数量,实验对比结果验证了该方法的有效性。     

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,改进YOLOX算法mAP值提升了2.89%,参数量减少了6.23 M,可视化实验进一步验证了所提算法可以提高检测精度,有效避免因弱光线导致的漏检、错检现象。     

基于改进ResNet网络的交通标志识别研究

针对传统ResNet网络存在丢失图像有用信息以及参数冗余等问题,论文提出一种改进ResNet的A-ResNet模型.引入有shortcut连接的残差注意力模块,增强对目标对象的关注度;引入Dropout层,防止过拟合现象,提升识别精度;调整网络架构,加快训练收敛速度及提高识别精度.实验结果表明,A-ResNet模型相比传统ResNet网络实现约2％的top-1精度的提高.     

优化特征提取的多目标交通标志检测方法

为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法.将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度.与原算法相比,使用该方...     

交通标志识别方法综述

交通标志识别对于车辆安全行驶具有重要作用,特别是针对存在光照变化和遮挡的情况,准确性高、实时性好的交通标志自动识别亟需解决。对交通标志的检测和交通标志的识别分别进行了综述,给出了它们的原理、步骤、特点和性能,以及进行算法研究常用的交通标志数据库。相比于传统的特征检测和识别方法,采用深度学习有助于解决光照变化、部分遮挡等情况下的交通标志识别难题,是今后自动驾驶和无人驾驶性能提升的主要途径。