深度学习多场景下交通标志快速检测方法研究

作者：邓乐平; 李伟

来源：测绘技术装备, 2022, 24(03): 86-92.

DOI：10.20006/j.cnki.61-1363/P.2022.03.017

• 交通标志检测
• 深度学习
• 小目标
• 空洞卷积
• 复杂场景

针对多种复杂场景下检测交通标志时存在的错检、漏检、速度慢等问题，本文提出一种基于卷积神经网络的交通标志检测方法。首先，采用单阶段目标检测网络框架，利用空洞卷积核与1×1小卷积核的组合搭建了特征提取网络来获取不同尺寸的特征图；其次，利用多层特征金字塔进行特征增强；最后，通过多个检测端输出不同尺寸的目标检测结果。为了提高训练后模型检测精度，在训练前构建图像预处理—增强模块对输入图像进行尺寸归一化、降噪与滤波等处理，同时使用K-means++算法聚类获得最契合实际目标尺寸的初始候选框。试验结果表明，本文方法在不同自然场景下均能快速精准地检出交通标志目标，单类别目标精度均值最高可达94.4%,平均精度均值可达93.45%,测试环境下检测速度为32 FPS/m·s-1,可以实现交通标志的实时检测。