浅谈交通标志的再利用

近年来,随着路网的逐渐饱和及交通压力的增长,辽宁省内的多条公路都在进行改扩建工程,拆除下来的旧标志数量不容小视,然而,这些旧的标志却很少得到再利用,任由环境的侵蚀。如何合理的利用这些旧标志,成了摆在我们交通人面前的一道难题。交通标志的再利用可以大大减少建设成本,避免资源浪费,文章通过对交通标志的规格尺寸、防腐处理、版面更新三方面的讨论,寻求交通标志再利用的可行方法。     

基于深度学习的道路交通标志数字识别技术探究

选取了自然场景中的交通标志为研究对象,采集了大量实景图像作为训练样本和测试样本,采用一种新型的深度学习模型MPCNN（Max-pooling Convolutional Neural Networks）进行识别实验,实验结果表明,深度学习方法在交通标志识别上不需要任何人工特征提取模型预先提取特征,直接对原始图进行训练学习就能取得较高的识别效率。     

基于后验概率SVM的交通标志识别研究

在无人车交通标志识别系统中,以传统的神经网络算法或标准的支持向量机算法（SVM）设计的分类器,只能反映样本是否属于某类而不能确定样本属于某类的可信度,提出一种后验概率SVM交通标志识别方法。首先对检测与跟踪得到的交通标志大概区域图像进行彩色分割以精确定位交通标志区域,然后采用最大类间方差法分割交通标志的内部图案,最后将分割的结果进行大小归一化作为交通标志的特征图像以训练分类器和进行识别。实验结果表明,基于后验概率SVM的交通标志识别系统在复杂的室外环境下具有很强的鲁棒性和可行性。     

基于色彩恒常性算法的交通标志检测

文章对由于颜色退化、光线减弱所导致的交通标志漏检问题提出一种算法。该算法首先用色彩恒常性对交通标志的图像增强色彩,然后将其转换到HSV（hue．saturation—value）彩色空间进行颜色分割。标志检测实验结果表明,该算法能够有效地克服光照减弱、颜色退化对交通标志颜色的影响,从而有效提高交通标志的检测率。     

标志图形的“京味与海派

笔者参观上海世博会期间,在赞叹上海市服务标准化工作细致入微与人性化的同时,也发现了许多既有“上海特色”又与国际接轨且和北京城市公共交通标志的不同,尤其是地铁标志图形的不同。     

城市道路交通指标标志规划设计的实践

通过较长时间对交通设施管理的实践,分析了指路标志在城市道路管理中的作用,并提出了指路标志板面设计应注意的几个问题。     

基于改进SSD的道路交通标志检测

针对复杂环境下交通标志检测精度低的问题,设计了一种检测精度更高的目标检测算法,对SSD深度学习目标检测算法进行了优化改进;将深度特征表征能力较强的Resnet50网络模型融入于SSD算法中;采用K-means++聚类算法确定SSD中先验框的尺寸,提高交通标志的检测率;分别利用SSD模型和改进的SSD模型做检测对比实验,结果表明,改进算法对各类型交通标志的检测精度比原SSD算法更高;改进的SSD方法对交通标志进行检测能取得较好效果,弥补了原算法的不足.     

基于YOLOv5的雾霾天气下交通标志识别

针对雾霾天气下道路交通标志识别难度大、精确度较低的问题,提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制,在空间维度和通道维度上进行特征增强,抑制雾霾天气对模型的干扰;然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征,减少目标信息丢失;并选用CIoU作为YOLOv5的损失函数提高定位能力;使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值,加快模型收敛速度。实验结果表明,改进后模型识别精度达到92.5%,比YOLOv5提升5.6%,在雾霾天气下仍能准确识别交通标志,速度达27 FPS,能够进行实时检测。     

智能车交通标志的改进YOLOv5识别算法

在硬件平台受限条件下,为提高智能车的性能,权衡实时识别交通标志的精度和速度,在YOLOv5的基础上,提出了针对嵌入式边缘设备的智能车交通标志识别的YOLOv5s_ghost_bi_sa算法。使用GhostConv替代部分普通卷积,在减少卷积结构参数的同时提高网络的拟合能力;添加置换注意力机制(Shuffle Attention, SE),在空间注意力与通道注意力的基础上加入了特征分组与通道置换,提高对小目标的关注度;采用加权双向特征金字塔网络结构,加强特征融合。由华为ModelArts平台协同Hilens_kit设备收集制作数据集,实验结果表明:针对数据集大图像中的小目标采用双向跨尺度连接,将表层特征与深层特征融合配合注意力机制增加重要特征的权重,从而提高算法对于小目标检测的精度,YOLOv5s_ghost_bi_sa算法的mAP0.5达到98.8%,召回率达到0.979%,模型大小仅为11.6MB,Hilens_kit平台上预测速度为62帧/秒。在相同的测试环境下与原YOLOv5s算法相比,精度高出0.8%,浮点运算量下降58%,模型体积压缩4.6倍,预测速度提升2.7倍。YOLOv5s_ghost_bi_sa算法可以有效地实现智能车交通标志的实时识别。     

基于YOLOv5的无人驾驶中低光照交通标志检测方法研究

本文针对在无人驾驶时,由于外界光照较暗,交通标志的无法识别或识别率较低的问题,提出了一种新的解决方法：在摄像头拍摄到外界的图像后,对图像进行Gamma校正,进而通过YOLOv5视觉检测模型,提高针对低光照条件下的交通标志检测识别能力。为验证此解决方法,本文利用公开交通标志TT100k数据集进行实验验证,筛选出部分图片作为YOLO训练的数据集,并使用YOLOv5算法进行训练。接下来,本文从数据集中选出部分光照条件各异的图片作为验证集进行验证,随后将验证集的图片进行Gamma校正,校正图片的整体亮度后再次进行验证。实验结果表明,本文提出的方法针对低光照条件下的交通标志检测实现了较明显的性能提升。