摘要
交通标志检测在自动驾驶任务中起着十分重要的作用，它属于目标检测的子方向。在实际应用中，由于自然场景下易受光线、场景、距离变化等因素影响，如果直接使用通用目标检测算法，会存在精度较低、实时性不理想的问题。为此，本文以YOLOX目标检测算法模型为基准，提出2种改进算法，并设计了一套交通标志检测系统，主要研究内容及结论如下： （1）提出了基于YOLOX-CBAM-PIM的交通标志检测算法。该算法针对交通标志小目标和背景复杂目标检测效果不佳问题，提出了CBAM-PIM模块。该模块主要改进CBAM模块的通道注意力部分，分别采用不同方向的池化层模块代替原有强制降维的自适应平均池化层模块，有效建立通道注意力模块对不同方向的特征联系，加强通道信息的表征能力，解决交通标志小目标和背景复杂导致精度不高的问题。实验结果表明，在TT100K交通标志数据集上，该改进算法相较于YOLOX算法，提高交通标志与背景复杂的小目标检测精度，平均精度均值mAP0.5提升了2.1%，检测速度可达75帧/秒，满足实时检测的需求。 （2）提出了基于YOLOX-ASFF-Dconv的交通标志检测算法。该算法针对YOLOX-CBAM-PIM对光线不足时交通标志检测效果不佳问题，主要讨论检测精度问题，提出了ASFF-Dconv模块。该模块主要改进ASFF模块采样部分，提出深度可分离转置卷积模块代替采样部分的最近邻插值算子，采用可学习的采样结构加强网络对边缘信息的提取能力，并采用大卷积核的深度可分离结构减少转置卷积的计算复杂度，同时避免伪影效应，解决了光线变化对交通标志检测精度的影响。实验结果表明，在现实弱光环境中，该改进算法相较于YOLOX算法，提高了光线变化下的交通标志检测精度，有效缓解了光线变化导致交通标志漏检、误检问题，且平均精度均值mAP0.5提升了3.8%。 （3）设计了一套嵌入式交通标志检测系统。建立系统的硬件框架、算法运行环境，实现了交通标志目标检测系统。在现实场景中、小目标场景中、光线昏暗场景中检测效果都表现良好且在JetsonNano上检测速度达到了24帧/秒，满足实际的交通标志检测速度要求，证明了本系统的有效性。
NETL