摘要
在真实道路情景中，复杂的交通环境会影响交通标志识别率。当对交通标志识别时，由于相机拍摄到的图片中交通标志占比较小，经常会受到周围较小物体的干扰，比如树枝以及树叶等小物体，使得在现实情景中识别效果较差；并且当智能车辆行驶在真实路面时，需要在极短时间内对前方交通标志进行精准地识别，但现实道路中经常会遇到不良天气造成误识别或漏识别，比如雾天、下雨和强烈曝光等都会影响网络识别的准确性。本论文基于YOLOv5（YouOnlyLiveOnce）网络进行交通标志识别研究，以应对实际环境造成识别率低的挑战。 首先，针对小目标识别率较低的问题，在YOLOv5网络的颈部网络中，原网络的三个预测框基础上增加一个预测框，该方法可以识别较小的交通标志，适应多尺度的交通标志识别。其次，针对在雾天场景中由于相机拍摄到的图像模糊，从而导致网络识别率低的问题，本文采用了一种可嵌入式去雾网络，该网络采用轻量化模型的对雾天交通标志进行去雾处理。然后，对手动制作的数据集进行数据增强处理，并联合中国交通标志数据集（CCTSDB）共同作为YOLOv5网络的输入。最后，在对细粒度特征图实现融合复用的基础上，引入了注意力机制模块，将不同的特征通道所起到的不同作用重新拼接，根据目标识别任务中贡献的重要程度不同，区分浅层次与深层次的特征信息，更好的学习不同特征通道的权重，一定程度上忽略不重要信息甚至是无关信息，减少了参数量并加快了网络的运行速度。 本文改进后的YOLOv5网络可应用于智能驾驶车辆在实际道路上识别交通标志。本文网络与原有YOLOv5网络经过对比指标后，实验结果表明，本文的识别算法比原有网络mAP（MeanAveragePrecision，均值平均精度）提升1.5%，FPS（FramesPerSecond，每秒传输帧数）达到56，满足实时性要求。
NETL