基于深度學習的車載影像交通標志檢測方法研究

車普民

（垣曲縣測繪地理信息中心，山西垣曲 043700）

0 引言

車道級高精度地圖是支撐智慧交通與無人駕駛技術實現的核心技術之一，交通標志作為道路的核心元素，準確獲取交通標志是自動駕駛行為判斷過程中的必要步驟。但受限于道路環境復雜、拍攝距離等原因，道路交通標志影像在采集中多數以小尺寸目標為主，且正樣本個數較少。因此，如何利用海量道路采集影像來實現對交通標志高精度的定位和分類，是當前的一項研究熱點。隨著近年來深度學習技術的不斷進步，由卷積神經網絡為基礎構建的目標檢測模型已經在各種物體檢測領域取得很好的成果。其中，吳軍等針對輸電線路巡檢問題，提出一種以ResNet101 網絡和多層級聯分類器對Cascade R-CNN 改進的輸電線路小目標缺陷檢測方法［1］，并在無人機航拍數據集上與YOLOV3 算法對比，驗證了所提出算法的有效性和優越性；何穎等基于加權雙向特征融合技術對YOLOV5 算法進行修改，提出一種經濟林木蟲害目標檢測算法［2］，該算法在測試集上的平均精度達到了0.923，且推斷速度為64.9m·s-1；林思玉等通過在聚焦層網絡引入多尺度檢測和可變形卷積方式，實現了一種小建筑物目標檢測方法［3］，該方法在測試環境下與原始方法相比，對小建筑物目標提升了3.6%，減少了小建筑物目標漏檢、誤檢的問題。

受拍攝距離以及道路交通標志的實際大小限制，影像中的交通標志大多為個數較少且較為分散的小目標；此外，自動駕駛等任務在要求高精度檢測的同時對于檢測的實時性也有著較為嚴格的要求。……