基于YOLOv5与CycleGAN雾天交通标志检测算法的改进

作     者：许思源 

作者单位：哈尔滨理工大学 

学位级别：硕士

导师姓名：黄玲

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：交通标志检测 CycleGAN 图像去雾 YOLOv5 深度学习 

摘      要：目前无人驾驶和辅助驾驶是国内外学者和机构的研究热点,无人驾驶的关键功能之一是准确检测和识别交通标志,该功能通过车载相机采集前方道路的交通标志信息,在保障车辆安全行驶和调节交通方面发挥着重要作用。然而交通标志越远,其在图像中的轮廓便越不清晰,这会导致检测系统提取到的语义特征不足,因此很难检测到准确信息。另外,在雾天时,空气中的气溶胶会改变光的散射和吸收,阻碍了传感器感受远处物体所发出的光,这使得采集到的交通标志会更加模糊。以上原因都可能使检测算法的精度降低,导致驾驶系统无法有效获取道路信息。因此,研究如何克服雾霾天气对交通标志检测产生的负面影响,并保证检测系统的精度具有重要意义。基于以上问题,本文提出一种联合了CycleGAN-FOG的YOLOv5交通标志识别算法。为除特定天气造成的影响,对CycleGAN网络进行改进,称为CyclGAN-FOG。该网络为处理空间变化雾霾设计全局-局部鉴别器架构,添加局部鉴别器恢复图像中不同区域的模糊图像,设计具有残差块的编码-解码生成器架构,从而确保网络快速收敛。其次使用最小二乘GAN来计算对抗损失,处理空间变化的模糊图像。最后提出自正则颜色损失和循环感知损失,在HSV空间中计算图像的色调、饱和度和明度,以生成更真实的清晰图片并减轻颜色失真问题,保留图像结构和内容特征。为了能够提前预测较远处的交通标志,提高算法的精度,本文首先基于YOLOv5引入高效通道注意力机制,避免交通标志复杂背景信息的迭代累积形成大量冗余信息。其次设计多尺度检测器来避免交通标志的漏检误检,提高图像中较小尺寸交通标志的检测率,并降低用于检测小目标的计算能力。最后采用CIo U作为损失函数,尽可能地保证预测框与先验框的宽高纵横比更为接近,提升预测框在回归时的收敛速度。最后,本文将CycleGAN-FOG与改进后的YOLOv5方法联合,在扩充后的CCTSDB2021数据集上进行实验验证,结果表明,与改进前方法相比,本文方法对雾天下交通标志的检测识别具有较好的效果与性能。