基于通道注意力和特征增强的交通标志检测

作者：罗玉涛; 高强

来源：华南理工大学学报(自然科学版), 2023, 51(12): 64-72.

• 交通标志检测
• 卷积神经网络
• 通道注意力
• 特征增强

道路上的交通标志包含大量的交通规则语义信息，快速、准确地获取这些信息有助于实现更高级别的辅助驾驶功能，从而提高车辆的安全性能。针对交通标志易受外界因素影响、类别间相似度高和尺寸微小的难点，本研究基于YOLOv5s模型，在数据预处理、特征提取、特征增强方面分别进行了针对性的改进。在数据预处理部分，利用颜色空间变换、几何变换矩阵来模拟实际场景中交通标志可能发生的颜色变化和形状变化，通过Mosaic算法、Copy-paste算法来提高训练集中微小交通标志的数量和背景的丰富性。在特征提取部分，构建了基于通道注意力标定的C3-TCA模块来提高模型对相似特征的辨别能力。在特征增强部分，通过双路径增强结构融合浅层特征和深层特征，并优化了预测分支的数量和下采样倍率，从而增加了对微小交通标志的检测精度。此外，还利用K-means++算法聚类先验框模板，基于CIoU度量构建边界框回归损失函数，从而降低边界框的回归难度。在TT100K和CCTSDB数据集上进行测试，模型的mAP@0.5指标分别为88.8%和83.5%，模型的检测速度分别为120.5f/s和114.7f/s。相较于现有交通标志检测模型，所构建模型在检测精度和检测速度上均达到了先进水平。针对数据增强算法、预测分支、通道注意力模块位置的对比实验进一步证明了所提具体优化方法的有效性。

• 单位
  华南理工大学