科研之友
微信
新浪微博
Facebook
分享链接
摘要
交通标志采集的环境较为复杂,使得采集到的交通标志样本在图像中所占的比例差异较大,若算法的候选区域与目标物体的尺寸差异较大,则会影响算法的检测效果。此外,在采集到的样本中,部分样本的交通标志在图像中所占的比例较小,导致算法较难检测到图像中的目标物体。针对上述问题,本文在SSD模型的基础上同时引入了FPN算法和Kmeans聚类算法,提出了基于改进SSD网络的交通标志检测算法。提出的方法通过FPN算法将网络深层信息逐层反卷积与前一层网络深度拼接,使模型能够融合多个卷积层的多尺度信息来增强特征的表达能力,并利用Kmeans聚类算法确定候选区域的默认窗口大小,得出较适合于当前数据集的比例值,提高了算法对小目标物体的检测准确率。通过在CCTSDB交通标志数据集上的实验结果表明,本文提出的算法在交通标志上有较好的目标检测效果。
