基于Darknet23和特征融合的交通標(biāo)志檢測(cè)方法[測(cè)試測(cè)量][智能交通]

道路交通標(biāo)志檢測(cè)是智能交通的重要環(huán)節(jié)之一，針對(duì)交通標(biāo)志檢測(cè)存在背景復(fù)雜,、目標(biāo)較小,、檢測(cè)速度慢等問(wèn)題，選取工業(yè)界青睞的YOLOv3模型提出一種改進(jìn)的檢測(cè)方法,。利用雙向特征金字塔結(jié)構(gòu)實(shí)現(xiàn)圖像低,、中、高層特征語(yǔ)意信息的雙向融合,，提升低層預(yù)測(cè)目標(biāo)的分類(lèi)和高層預(yù)測(cè)目標(biāo)的定位能力,；將原模型的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出Darknet23網(wǎng)絡(luò),，以提高網(wǎng)絡(luò)的提取能力和減少計(jì)算量,；根據(jù)目標(biāo)形狀的特點(diǎn)，使用K-means聚類(lèi)算法得到用于訓(xùn)練合適的錨點(diǎn)框,，并在邊框回歸中引入靈活性更強(qiáng)的L_(α-CIOU)損失函數(shù),，使網(wǎng)絡(luò)朝著預(yù)測(cè)框與真實(shí)框重疊度較高的方向去優(yōu)化。實(shí)驗(yàn)結(jié)果表明,，該方法在CCTSDB數(shù)據(jù)集上[email protected]達(dá)到86.10%,、[email protected]：0.05：0.95達(dá)到70.017%，相比原網(wǎng)絡(luò)分別提升10.17％和5.656％,，參數(shù)量減少3 622 091,，速度提升8.27 f/s，且優(yōu)于SSD和Faster RCNN等主流的檢測(cè)網(wǎng)絡(luò),。

發(fā)表于：2023/1/13 10:44:00