基于深度学习的交通标志识别研究

作     者：周经宇 

作者单位：广西科技大学 

学位级别：硕士

导师姓名：葛动元

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：深度学习 目标检测 TT100K 交通标志识别 YOLOv5s 

摘      要：随着科技的快速发展,辅助驾驶技术不断地进步,作为辅助驾驶技术中的重要部分,交通标志识别系统能够识别出前方的交通标志信息并告知驾驶人,提醒驾驶人当前的路况信息,以便对得到的信息做出正确的判断,这样可以减少大量因忽视交通标志造成的交通事故。因此交通标志识别成为了辅助驾驶领域中核心的研究方向。目前,在交通标志的研究中,国内外的研究人员均取得了一定的成果,但由于交通标志识别系统在道路上往往是对小目标进行识别,还会受到天气,复杂背景、光照等众多因素的影响,使得识别难度进一步提升。针对上述的问题,本文设计了一个基于改进YOLOv5s算法的交通标志识别方法,可以在自然环境下较好的实现交通标志识别,主要的工作包括以下几点:(1)分析对比了现阶段部分开源的交通标志数据集,选择TT100K数据集作为本文训练的数据集基础,针对TT100K数据集存在类别数量分布不均衡现象,用脚本将数量大于100的交通标志类别提取出来,制成了含45类交通标志的数据集,然后使用现实采集图像和数据增强两种方式对数量少于200的类别进行补充,最终得到了13138张图片,制成Re-TT100K作为本文实验的数据集。(2)详细阐述了YOLOv5s算法的网络结构和损失函数,根据现阶段基于YOLOv5s算法的交通标志识别方法存在的问题,对YOLOv5s网络模型进行改进。首先,在YOLOv5s网络中添加了CBAM注意力机制模块,使得网络能更加关注图片中重要的特征;然后,针对原损失函数CIo U存在的问题,选择了EIo U损失函数进行替换,提高了模型收敛速度和检测精度;最后,针对小目标检测的问题,使用了K-means++算法对数据集进行重新聚类,以获得更适合交通标志识别的先验框尺寸,同时引入了Bi-FPN网络来更好的提取小目标特征,在减少网络参数的情况下提取到更多特征。实验结果表明,改进后的B-YOLOv5s模型在多种自然场景下识别交通标志都有较好的效果,并且拥有一定的泛化能力,对比YOLOv5s在m AP＿0.5上提高了3.737%,达到了90.348%,识别速度达到101 f/s,满足交通标志识别的要求。(3)基于B-YOLOv5模型设计了一个交通标志识别系统,使用了Pyqt5框架和Python语言进行编写,将完成后的系统功能进行了实际测试,结果表明该系统能稳定且准确的识别交通标志。