基于YOLOv4-tiny 改進的交通標志識別算法*

劉 毅 安 移

（上海理工大學光電信息與計算機工程學院 上海 200093）

1 引言

交通標志識別是目前計算機視覺識別在實際場景的應用之一，也是輔助自動駕駛［1］至關重要的環節，在檢測物體方面看和思考的機制應用到了計算機視覺識別實例化中，隨著深度學習和圖像處理的發展王［2］等將傳統的特征提取（如SIFT、HOG特征等）換成了深度卷積網絡提取的特征；隨后為了減少重復卷積和推算時間提出Fast R-CNN 算法［3］。基 于 區 域 全 卷 積 網 絡（R-FCN）方 法Light-Head R-CNN［4］都是二階段方法，二階段目標檢測算法的檢測精度雖然比一階段法更高，但一階段法在檢測速度上具有更快更優的表現。作為一階段算法的代表YOLOv2［5］設計了一個DarkNet-19的網絡結構并使用錨點框用來預測邊界框，大大提升了模型的速率。隨后Redmon 等在YOLOv2 的基礎上提出YOLOv3［6］，引入二進制交叉熵損失來提高檢測精度，但對低級信息融合不充分，針對這一問題Chen等提出YOLOv3-dense［7］實現多樣化的感受野來提升特征信息融合能力。Gkioxari等針對特征圖識別和分割中出現正負樣本不均衡、置信度差的問題，提出Mask R-CNN［8］算法使模型均衡性得到改進。Alexey 等提出的YOLOv4 算法［9］引入空間金字塔池網絡結構來提升識別速率和檢測精度，但導致原始圖中的上下文信息損失嚴重。

通過以上分析，本文提出一種改進YOLOv4-tiny交通標志識別算法LYOLOv4（Loop YOLOv4），為了提升模型檢測速度和性能，引入深度可分離卷積塊減少參數量和計算量，在特征提取和融合時采用遞歸特征金字塔（RFP）建立在特征金字塔網絡（FPN）的基礎上，將遞歸結構展開為一個順序實現，獲得了一個觀察圖像兩次或更多次的對象檢測網絡模型。……