旨在解决特殊环境下的交通标志检测识别问题,并提出一种基于改进YOLOv5 的雨天环境下的交通标志检测识别算法,即YOLOv5s-traffic.在预处理阶段,引入基于对抗生成网络的去雨算法和基于多尺度残留块的图像增强算法,以保证雨天环境下模型的可靠性;在网络改进方面,引入Transformer模块、加入CA注意力机制和ASFF特征融合机制,以及改进检测框损失函数提升网络性能;在数据集处理方面,对原始数据集进行大规模处理和重构,加入大中小3 种不同程度的雨天驾驶环境,构建并划分了3 类雨天环境交通标志数据集.在TT100K交通标志数据集上进行的实验表明,与现有方法相比,本研究提出的算法可以通过不同的模块搭配分别针对2 种不同环境(雨天和原环境)实现显著的性能改进.在原环境下,本算法的mAP达到了90.4%,FPS为50.4 帧/s;在大雨环境下,mAP为75.3%,相比原网络提升了12.5%,且FPS达到49.4 帧/s,满足实时检测条件.因此,该算法能取得准确性与实时性的平衡,可以有效解决雨天环境下的交通标志识别问题.
国家科技期刊平台
NSTL
万方数据
