自然场景下的小目标交通标志检测技术研究

自然场景下的小目标交通标志检测技术研究

刘晓乐

山东泰山路桥工程集团有限公司三分公司

摘要：目标识别是人工智能得以应用的重要技术手段，是计算机获取外界信息的主要来源之一。目标识别的主要任务是目标的定位和分类：输入一张图片，计算机需要找到待检测物体的具体位置，用最小矩形框标注该物体的具体位置，并且标注该物体的类别信息及检测置信度。本文主要对自然场景下的小目标交通标志检测技术进行研究。

关键词：小目标；交通标志；检测技术

引言

当前社会，人民的物质生活得到了极大的丰富，在出行方面，大家不再仅仅满足于拥有车辆，而更加青睐于在车辆行驶过程中享受科技带来的便利。不仅如此，车辆拥有者的增多，也使得城市中道路交通系统的压力也越来越大，因此，智能驾驶系统的研究对于社会生产生活的发展有很大的促进作用。当前的智能驾驶系统大致可分为辅助驾驶领域和自动驾驶领域，而智能驾驶系统中交通标志检测的研究在驾驶过程中提供实时的决策支持。

1 利用点云强度特征对交通标志线提取优化

道路标线作为一种重要的交通信息，界定了车辆的行驶范围和行驶方向，在人们的日常出行中占据着越来越重要的位置，快速且准确地获取交通标线的位置对于交通管制、无人驾驶等方面至关重要，因此众多专家学者针对交通标线的提取展开了研究。起初，许多学者将图像作为数据源，加以成熟的图像处理技术对交通标线进行提取，取得了一定的成果，但是图像容易受到光照强度等因素的影响，导致交通标线提取困难。近年来，随着车载激光扫描系统的发展，许多学者将车载激光点云作为数据源，根据点云中的反射强度等信息对交通标线进行提取。边缘检测是图像处理与计算机视觉中极为重要的一种图像分析方法，目的是为了找到图像中灰度值变化剧烈的像素点的集合。Canny 算法作为一种标准的多级检测算法，在实际应用中较为广泛，但是也存在一定的缺陷。传统的 Canny 算法在计算梯度和方向时，采用 2×2 大小的模板计算图像的梯度值，并且一般从水平和垂直两个方向进行检测，但是在很多图像中边缘会指向不同的方向，所以只从水平和垂直两个方向进行检测会检测出很多的伪边缘和丢失重要的边缘信息，这样会降低边缘检测的精度。

2 YOLOv5s-Ghost 网络下的交通标志识别

Backbone部分是网络的主干模块，由 Focus、C3、空间金字塔池化(SPP)等模块组成。Focus 结构是将输入在纵向和横向间隔切片操作后再拼接，可在进行下采样的同时保留更多的特征信息达到降低计算量提高速度的效果。C3模块由多个 Bottleneck 模块组成，Bottleneck 模块是一种经典的残差模块，在不增加输出特征深度的情况下完成特征传递，CSP模块对可对网络进行局部特征的跨层融和，与 Bottleneck 模块结合后加强网络的特征提取能力。SPP模块是将输入图片先进行卷积操作，再执行 3 个不同尺寸的池化操作，最后将输出特征进行特征融合，加强网络的特征提取能力。Neck  结构是网络的融合模块，特征金字塔(FPN) 和路径聚合网络(PAN)结构两者结合操作，将获取的特征融合在一起，输出到输出模块。以 3×3 的线性运算核 Ghost 网络框架为基础，将两个相连的 Ghost module 模块叠加构建的 Ghost Bottleneck 模块 与 YOLOv5s 中 CSP 模 块 相 结 合，生 成Ghost Bottleneck CSP 模 块 通 过 实 验 对 比 发 现 ，在Ghost Bottleneck CSP 模块中设置 3 个 Ghost Bottle-neck 模块时，网络的检测效果最佳，并将此模型作为最终网络，进行仿真实验，实验表明改进的 YOLOv5s-Ghost 网络模型检测精度达 95．1%，减少了网络的参数量，模型大小压缩为原网络的 69．3%，减轻了对硬件性能的依赖，检测速度较原网络提高了 13．6%，保证精度无损失的同时增强了网络的实时性。

3无人机遥感影像轻型交通标志实时检测方法

随着深度学习的快速发展,卷积神经网络目标检测算法开始在多个领域内被广泛使用,而该类检测模型主要分为两阶段算法和单阶段算法 2 种。 其中两阶段算法首先对输入图像进行提名获得候选区域,再对候选区域进行位置与类别回归,此类方法具有较高检测精度,但因为要事先获得候选区域,所以检测速度相对较慢;单阶段算法则直接在图像上进行分类和回归,具有更快的检测速度。特征提取网络是整个单阶段目标检测模型的核心组成部分,主要由特征提取卷积层以及特征下采样层交替堆叠组成。 其中特征提取卷积层通过对上层输入的图像进行特征提取而获得一系列不断稀疏的特征图,而下采样层则是将来自卷积层的特征图进行尺寸压缩后作为新的待采样图像传递给下一层,进而实现对不同尺度目标的特征提取。 一般的目标检测模型都采用了较为深层次的结构来获取更多的特征图,因为采用了多层次叠加结构以及常规卷积核作为特征提取操作核心,这样的模型往往具有较为深层次、复杂的结构以及庞大的运算参数量,直接使用运算能力较低,内存较小的无人机机载硬件运行难以实现实时检测。 因此,本文构建了一种由非对称卷积核组成的轻量型特征提取网络。 非对称卷积核的结构采用了单行横向、纵向卷积核级联的形式来对特征图进行提取操作,相比于尺寸相同常规卷积核,利用非对称卷积核进行卷积操作,能够在获取相同感受野特征图的前提下至少降低 33%的计算参数,同时整体的提取精度只有略微的损失。

4融合前景注意力的轻量级交通标志检测网络

基于深度学习的交通标志检测算法，通过搭建卷积神经网络CNN）学习交通标志特征，再利用网络训练的方式实现交通标志的分类和定位。目前，基于深度学习的交通标志检测算法主要分为双阶段检测算法和单阶段检测算法。双阶段检测算法先使用选择性搜索算法，提取候选框，然后对候选框目标进行二次修正得到检测结果，代表算法有：R-CNN  、Fast R-CNN和Faster R-CNN 等。双阶段检测算法发展迅速，检测精度也在不断提升，但其自身结构限制了检测速度。而单阶段检测算法取消候选框推荐阶段，可以在一个阶段内直接确定目标类别和定位，代表算法有YOLO  系列和SSD系列。融合前景注意力的轻量级交通标志检测方法。首先，引入SiLU激活函数，提升模型检测的准确率；其次，设计了一种基于鬼影模块的轻量级骨干网络，有效提取目标物特征；然后，采用前景注意力感知模块，减少背景噪声，聚焦于目标物体；借鉴残差结构，改进路径聚合网络，增强网络语义信息的同时有效学习底层特征信息；最后，为了进一步提高算法的分类和定位准确性，利用Vari Focal Loss和GIoU  ，分别做目标的分类损失和回归损失，加强对负样本的惩罚权重。

结语

总之，随着计算机性能的不断提升，基于自然场景下的小目标交通标志检测技术达到了较好的识别结果，同时，随着传感器的不断进步，图像的清晰度不断提升，面向自动驾驶的应用也在不断增加，为交通行业的发展提供了稳定的技术基础。

参考文献

[1]崔华,纪宇,李盼侬. 基于卷积神经网络(CNN)的高速路交通图片拥堵识别[J]. 科技创新与应用,2018(5):25-28.

[2]张榜,来金梅. 一种基于 FPGA 的卷积神经网络加速器的设计与实现[J]. 复旦学报(自然科学版),2018(2):75-78.