小尺度交通信号灯的检测与识别

王莉; 崔帅华; 苏波; 宋照肃

doi:10.13873/J.1000-9787(2022)02-0149-04

Chinese

您当前的位置：

首页 >

文章列表页 >

小尺度交通信号灯的检测与识别

计算与测试 | 更新时间：2025-09-11

- 小尺度交通信号灯的检测与识别
- 小尺度交通信号灯的检测与识别
- 传感器与微系统 2022年第2期页码：149-152+160
- 作者机构：
  
  河南理工大学电气工程与自动化学院 2. 河南省煤矿装备智能检测与控制重点实验室
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)02-0149-04
  中图分类号： U491.5;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
王莉, 崔帅华, 苏波, 等. 小尺度交通信号灯的检测与识别[J]. 传感器与微系统, 2022,(2):149-152+160.

小尺度交通信号灯的检测与识别[J]. 2022, (2): 149-152+160.
王莉, 崔帅华, 苏波, 等. 小尺度交通信号灯的检测与识别[J]. 传感器与微系统, 2022,(2):149-152+160. DOI： 10.13873/J.1000-9787(2022)02-0149-04.

小尺度交通信号灯的检测与识别[J]. 2022, (2): 149-152+160. DOI： 10.13873/J.1000-9787(2022)02-0149-04.

摘要

针对深度模型在网络深层易丢失细节特征导致对小尺度目标检测效果差的问题

提出一种基于YOLOv3算法的小尺度交通信号灯检测模型。首先

采用跨越式特征融合提升浅层特征图的语义能力、减少过度融合产生的冗余信息;然后

采用K-means算法聚类出适合交通信号灯尺寸的新先验框

再采用线性缩放机制对新先验框离散以提升IoU。经过Bosch Small Traffic Lights Dataset测试集测试表明:所设计的新模型相较原YOLOv3模型

其mAP提升约9%

Green-AP提升5%

Red-AP提升30%

检测速度达24 fps

满足交通信号灯实时检测需求。另外

提出一种YOLOv3与OCR结合识别倒计时数字灯的方法

该方法在自制测试集上的识别精度达91%。

Abstract

针对深度模型在网络深层易丢失细节特征导致对小尺度目标检测效果差的问题

提出一种基于YOLOv3算法的小尺度交通信号灯检测模型。首先

采用跨越式特征融合提升浅层特征图的语义能力、减少过度融合产生的冗余信息;然后

采用K-means算法聚类出适合交通信号灯尺寸的新先验框

再采用线性缩放机制对新先验框离散以提升IoU。经过Bosch Small Traffic Lights Dataset测试集测试表明:所设计的新模型相较原YOLOv3模型

其mAP提升约9%

Green-AP提升5%

Red-AP提升30%

检测速度达24 fps

满足交通信号灯实时检测需求。另外

提出一种YOLOv3与OCR结合识别倒计时数字灯的方法

该方法在自制测试集上的识别精度达91%。

关键词

Keywords

references

基于卷积神经网络的交通灯识别 [J]. 贾瑞明,刘立强. 北方工业大学学报 . 2018(05)

基于深度学习的交通目标感兴趣区域检测 [J]. 丁松涛,曲仕茹. 中国公路学报 . 2018(09)

一种新的箭头形交通信号灯识别方法 [J]. 田谨,应捷,朱丹丹. 电子科技 . 2015(11)

A locally-constrained YOLO framework for detecting small and densely-distributed building footprints [J] . Xie,Cai,Bhojwani,Shekhar,Knight. International Journal of Geographical Information Science . 2020 (4)

Accurate traffic light detection using deep neural network with focal regression loss [J] . Eunseop Lee,Daijin Kim. Image and Vision Computing . 2019

Traffic Light Recognition With High Dynamic Range Imaging and Deep Learning. [J] . Jian-Gang Wang,Lubing Zhou. IEEE Trans. Intelligent Transportation Systems . 2019 (4)

浏览量

707

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据