摘要

针对雾霾、雨雪等恶劣天气下小型交通标志识别精度低、漏检严重的问题,提出一种基于YOLOv5的雾霾天气下交通标志识别模型。首先对YOLOv5网络结构进行优化,采用逆向思维,通过削减特征金字塔深度、限制最高下采样倍数来解决小目标难以识别问题,通过调整残差模块特征传递深度,抑制背景特征的重复叠加;其次引入数据增强、K-means先验框、全局非极大值抑制等机制到模型;最后在中国交通标志数据集TT100K上验证改进YOLOv5模型在面对恶劣天气时的检测能力,并对精确度下降最显著的雾霾天气下交通标志识别展开了重点研究。实验结果表明,改进YOLOv5模型F1-score达0.92150、平均精度@0.5(m AP@0.5)达95.3%、平均精度@0.5:0.95(m AP@0.5:0.95)达75.2%,在恶劣天气下仍能保持高精度识别,每秒检测帧数(FPS)达到50,满足实时检测的需求。