摘 要：針對(duì)現(xiàn)有的目標(biāo)檢測(cè)模型對(duì)復(fù)雜天氣下的交通標(biāo)志檢測(cè)存在漏檢與錯(cuò)檢的情況，提出了一種改進(jìn)ＹＯＬＯｖ５ｓ 的交通標(biāo)志識(shí)別算法。為提高算法在各種復(fù)雜場(chǎng)景下的適應(yīng)性，設(shè)計(jì)了一種基于重參數(shù)化（ＲｅＰａｒａｍｅｔｅｒｉｚｅｄ，ＲｅＰ） 的Ｃ３ 模塊，將其命名為Ｃ３＿ＤＢ；在網(wǎng)絡(luò)的Ｎｅｃｋ 部分引入上下文聚合模塊，使得算法可以聚焦于重點(diǎn)區(qū)域的特征，減少?gòu)?fù)雜背景造成的混淆，從而提升模型的特征提取能力；引入高效交并比（Ｅｆｆｉｃｉｅｎｔ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＥＩｏＵ） 損失函數(shù)代替?zhèn)鹘y(tǒng)的完全交并比（Ｃｏｍｐｌｅｔｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＣＩｏＵ） 損失函數(shù)，提升模型訓(xùn)練時(shí)的收斂速度，進(jìn)一步提升模型對(duì)復(fù)雜情景下目標(biāo)的檢測(cè)性能。在中國(guó)交通標(biāo)志數(shù)據(jù)集ＣＣＴＳＤＢ ２０２１ 上的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后算法的平均精度均值（ｍｅａｎＡｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ） 為７９． ８％ ，相較于ＹＯＬＯｖ５ｓ 提升２． ４％ ，檢測(cè)速度達(dá)到１２８ 幀／ 秒，在檢測(cè)性能與檢測(cè)速度之間取得了較好的平衡。意味著改進(jìn)后的算法能夠滿(mǎn)足更高精度的交通標(biāo)志實(shí)時(shí)檢測(cè)需求，為實(shí)際應(yīng)用提供了可靠的解決方案。研究成果對(duì)未來(lái)的交通管理和自動(dòng)駕駛系統(tǒng)的發(fā)展具有重要意義，為提高安全性和可靠性提供了新的前景。

關(guān)鍵詞：交通標(biāo)志檢測(cè)；重參數(shù)化；目標(biāo)檢測(cè)

中圖分類(lèi)號(hào)：ＴＰ３９１ 文獻(xiàn)標(biāo)志碼：Ａ

文章編號(hào)：１００３－３１０６（２０２４）１２－２９０２－１１

０ 引言

交通標(biāo)志是用來(lái)指示、警示和引導(dǎo)交通的道路設(shè)施，其主要意義是保障道路交通安全有序，提醒駕駛員注意道路情況，并規(guī)范駕駛員行為。交通標(biāo)志識(shí)別對(duì)于自動(dòng)駕駛環(huán)境感知至關(guān)重要，幫助自動(dòng)駕駛系統(tǒng)準(zhǔn)確地理解道路環(huán)境和交通規(guī)則，如當(dāng)前道路的限速、禁止通行和道路類(lèi)型等信息，做出安全、高效的駕駛決策。然而，在復(fù)雜的交通場(chǎng)景中，標(biāo)志檢測(cè)容易受光照條件、障礙物干擾、標(biāo)志損壞等因素影響，導(dǎo)致實(shí)時(shí)性和準(zhǔn)確率波動(dòng)。

交通標(biāo)志檢測(cè)算法大致分為傳統(tǒng)檢測(cè)算法和基于深度學(xué)習(xí)的檢測(cè)算法。其中，傳統(tǒng)檢測(cè)算法使用手工制作的方式提取顏色、形狀、紋理等特征［１］，實(shí)時(shí)性和魯棒性較差。相比之下，以卷積神經(jīng)網(wǎng)絡(luò)（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＣＮＮ）為核心提取高級(jí)特征并處理大量數(shù)據(jù)的深度學(xué)習(xí)目標(biāo)檢測(cè)算法不需要人工提取特征的環(huán)節(jié)，對(duì)光照、障礙物遮擋或標(biāo)志損壞等引起的圖像干擾因素有較強(qiáng)的魯棒性，具有較高的識(shí)別效率和檢測(cè)精度?；谶@些優(yōu)點(diǎn)，深度學(xué)習(xí)的檢測(cè)算法已成為當(dāng)下研究的熱點(diǎn)，并廣泛地應(yīng)用于交通標(biāo)志檢測(cè)。

基于深度學(xué)習(xí)的檢測(cè)算法大致分為２ 類(lèi)：一類(lèi)是基于區(qū)域建議的兩階段檢測(cè)算法，例如ＲＣＮＮ［２］、Ｆａｓｔ ＲＣＮＮ［３］、Ｆａｓｔｅｒ ＲＣＮＮ［４］及其改進(jìn)算法Ｍａｓｋ ＲＣＮＮ［５］等。這種檢測(cè)方法首先在輸入圖像上生成一系列候選框，然后對(duì)這些候選框進(jìn)行分類(lèi)和位置回歸，以確定目標(biāo)的最終檢測(cè)結(jié)果。這類(lèi)算法計(jì)算量大，檢測(cè)速度相對(duì)較慢，無(wú)法滿(mǎn)足實(shí)時(shí)檢測(cè)場(chǎng)景。另一類(lèi)是單階段檢測(cè)算法，如ＹＯＬＯ［６］、ＳＳＤ［７］、ＲｅｔｉｎａＮｅｔ［８］等算法，可以直接在輸入圖像上進(jìn)行目標(biāo)檢測(cè)，不需要額外的候選框生成步驟，這類(lèi)算法具有較快的檢測(cè)速度，但檢測(cè)精度相對(duì)較低，仍需在應(yīng)用中不斷改進(jìn)。

Ｙａｎｇ 等［９］設(shè)計(jì)了一種視覺(jué)多尺度注意力模塊，修改主干Ｄａｒｋｎｅｔ５３ 并向網(wǎng)絡(luò)中添加一個(gè)預(yù)測(cè)頭，有效地利用了淺層微小物體的細(xì)粒度特征，提升了ＹＯＬＯｖ３［１０］網(wǎng)絡(luò)在交通標(biāo)志場(chǎng)景圖中的檢測(cè)性能，但檢測(cè)速度較原始網(wǎng)絡(luò)有一定的下降。Ｇｕ 等［１１］使用ＭｏｂｉｌｅＮｅｔＶ３［１２］結(jié)構(gòu)作為ＹＯＬＯｖ４［１３］的主干網(wǎng)絡(luò)，并通過(guò)特征融合與再分配（Ｆｅａｔｕｒｅ Ｆｕｓｉｏｎ ａｎｄＲｅｄｉｓｔｒｉｂｕｔｉｏｎ，ＦＦＲ）模塊豐富不同尺度的特征，提高模型檢測(cè)準(zhǔn)確率，在德國(guó)交通標(biāo)志數(shù)據(jù)集（ＧＴＳＤＢ）［１４］上的大量實(shí)驗(yàn)驗(yàn)證了該模型具有優(yōu)越的檢測(cè)速度，但對(duì)于交通標(biāo)志的識(shí)別精度略有降低。喬歡歡等［１５］ 通過(guò)在ＹＯＬＯｖ５ 的主干網(wǎng)絡(luò)中使用Ｃ３Ｇｈｏｓｔ 模塊取代原有的Ｃ３ 模塊，并引入坐標(biāo)注意力機(jī)制，顯著增強(qiáng)了模型對(duì)交通標(biāo)志特征提取的能力，在ＴｓｉｎｇｈｕａＴｅｎｃｅｎｔ １００Ｋ（ＴＴ１００Ｋ）［１６］數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的模型在交通標(biāo)志的檢測(cè)任務(wù)中具有優(yōu)越的檢測(cè)精度以及檢測(cè)速度；然而，由于數(shù)據(jù)集中的圖片背景主要為晴朗天氣，模型在復(fù)雜氣候天氣下的表現(xiàn)尚未經(jīng)過(guò)驗(yàn)證。韋強(qiáng)等［１７］在ＹＯＬＯｖ５ 網(wǎng)絡(luò)中引入遞歸門(mén)控卷積、ＳＯＣＡ 注意力機(jī)制和回歸損失函數(shù)，改進(jìn)后的模型在ＣＣＴＳＤＢ 數(shù)據(jù)集上取得了較高的精度。但是，由于并未使用該數(shù)據(jù)集提供的包含各種復(fù)雜天氣狀況下的困難樣本的測(cè)試集對(duì)改進(jìn)后的模型進(jìn)行驗(yàn)證，模型的泛化能力以及在復(fù)雜天氣下的適用性有待驗(yàn)證。

在上述研究中，雖然交通標(biāo)志的檢測(cè)精度與速度均實(shí)現(xiàn)了顯著的提升，但其模型在復(fù)雜氣象條件下的適應(yīng)性尚未經(jīng)過(guò)驗(yàn)證。鑒于此，本文基于ＹＯＬＯｖ５ｓ 網(wǎng)絡(luò)架構(gòu)，設(shè)計(jì)了一種改進(jìn)算法，旨在滿(mǎn)足復(fù)雜氣象條件下交通標(biāo)志的實(shí)時(shí)檢測(cè)需求。具體改進(jìn)措施包括：

① 設(shè)計(jì)了Ｃ３ ＿ＤＢ 模塊，并將其引入ＹＯＬＯｖ５ｓ的頸部網(wǎng)絡(luò)，使得模型能夠捕捉到更加豐富多樣的特征信息，從而增強(qiáng)了模型在各種復(fù)雜場(chǎng)景下的特征提取能力。

② 在每個(gè)檢測(cè)頭之前引入了上下文聚合模塊，以增強(qiáng)模型對(duì)重點(diǎn)區(qū)域的關(guān)注程度。該模塊有效地減少了無(wú)關(guān)背景信息引起的混淆，進(jìn)一步提升了模型在復(fù)雜氣象條件下交通目標(biāo)檢測(cè)的適應(yīng)性和精確度。

③ 引入了高效交并比（Ｅｆｆｉｃｉｅｎｔ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒＵｎｉｏｎ，ＥＩｏＵ）損失函數(shù)，解決了傳統(tǒng)完全交并比（Ｃｏｍｐｌｅｔｅ Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ，ＣＩｏＵ）損失函數(shù)在處理縱橫比差異較大的真實(shí)框時(shí)存在的局限性。ＥＩｏＵ 損失函數(shù)的應(yīng)用加速了模型訓(xùn)練過(guò)程的收斂，顯著提高了檢測(cè)精度。

綜上所述，本文提出的改進(jìn)算法不僅在提高檢測(cè)精度的同時(shí)確保了更快的檢測(cè)速度，而且通過(guò)創(chuàng)新的模塊設(shè)計(jì)和損失函數(shù)的應(yīng)用，強(qiáng)化了模型在面對(duì)復(fù)雜氣象條件時(shí)的適應(yīng)能力和檢測(cè)效率。本文算法的開(kāi)發(fā)，對(duì)未來(lái)交通管理體系及自動(dòng)駕駛系統(tǒng)的優(yōu)化與發(fā)展具有深遠(yuǎn)的意義。

１ ＹＯＬＯｖ５ 目標(biāo)檢測(cè)算法

ＹＯＬＯｖ５ 根據(jù)網(wǎng)絡(luò)模型深度分為ＹＯＬＯｖ５ｓ、ＹＯＬＯｖ５ｍ、ＹＯＬＯｖ５ｌ、ＹＯＬＯｖ５ｘ，其中，ＹＯＬＯｖ５ｓ 模型最小，便于部署到檢測(cè)交通標(biāo)志的設(shè)備中。所以選擇ＹＯＬＯｖ５ｓ 作為基準(zhǔn)模型。ＹＯＬＯｖ５ｓ 的網(wǎng)絡(luò)結(jié)構(gòu)主要由四部分組成，如圖１ 所示。