摘要
在计算机视觉学科范畴内，道路交通标识的检测是一个关键研究方向，该技术广泛应用于诸多领域，涵盖辅助驾驶系统、智能化监控机制及智慧交通体系等。近年来，伴随人工智能科技的蓬勃，汽车行业研发的焦点正加速向自动驾驶技术偏移。在此背景下，道路交通标识的检测扮演着为自动驾驶技术导航定向、维持交通秩序的不可或缺角色，进而突显了交通标识检测技术在无人驾驶领域的核心地位。作为自动驾驶技术矩阵中的重要组件，高效且精确地探测与解析交通标识信息，是确保驾驶决策正确性的关键一环，对预防交通事故、提升道路安全具有决定性影响。本文针对道路交通标志检测精度低和检测实时性差等问题，利用深度学习相关理论与方法，提种改进的YOLOv5s交通标志检测算法，主要研究内容如下： 第一，针对在实际驾驶过程中，不同光照强度、复杂路况小目标检测困难以及实时性差的问题，提出了一种融合注意力机制的交通标志检测方法。首先，在主干网络中上添加CA注意力机制模块来提高网络的特征提取能力；其次，针对小目标检测的问题，使用了K-means++算法对数据集进行重新聚类，以获得更适合交通标志识别的先验框尺寸，同时引入了BiFPN网络来更好的提取小目标特征，在减少网络参数的情况下提取到更多特征。最后，将CIoU损失函数改为SIoU损失函数，充分考虑真实框与预测框之间的方向匹配问题，提升模型收敛性能。实验结果表明，本文提出的融合注意力机制的道路交通标志检测算法，检测精度和速度较原模型性能均有提升。 第二，为针对交通目标检测模型参数量大、模型大的问题，本文提出两种轻量化策略：一是采用Ghost模块设计思路进行网络结构优化，二是实施基于批量归一化层（BatchNormalization，简称BN）的结构化模型剪枝策略。并通过实验分析两种检测网络在处理后的数据集上的检测性能，系统分析并比较了这两种压缩后检测网络的性能指标。实验表明两种轻量化策略各有千秋，Ghost轻量化策略适用于对检测精度有严格要求的场景，模型剪枝的轻量化方案对于极度强调模型轻量化的应用环境。 本文研究所提出的模型均采用Python语言进行了算法实现，并在实验数据上分别进行多组实验验证。综合全部实验结果，论文所提出的路侧交通标志识别方法可有效提升各类交通标志目标，并且模型复杂度大幅降低，能够较好的满足真实应用情境下交通标志目标自动识别实际要求。
NETL