交通标志检测
交通标志检测的相关文献在2006年到2022年内共计274篇,主要集中在自动化技术、计算机技术、公路运输、无线电电子学、电信技术
等领域,其中期刊论文127篇、会议论文3篇、专利文献1193030篇;相关期刊93种,包括无线互联科技、现代商贸工业、厦门大学学报(自然科学版)等;
相关会议3种,包括第五届信号和智能信息处理与应用学术会议、华东公路发展研讨会暨2006年华东公路科技情报网年会、2018中国汽车工程学会年会等;交通标志检测的相关文献由766位作者贡献,包括吕卫、褚晶辉、刘志刚等。
交通标志检测—发文量
专利文献>
论文:1193030篇
占比:99.99%
总计:1193160篇
交通标志检测
-研究学者
- 吕卫
- 褚晶辉
- 刘志刚
- 杜娟
- 汤淑明
- 王琦
- 袁媛
- 马社祥
- 侯进
- 刘尚东
- 刘川莉
- 刘胜
- 夏景明
- 孟鑫
- 季一木
- 张宇杰
- 张建明
- 张立平
- 徐向华
- 徐江
- 成奎
- 房圣超
- 李啸
- 李文举
- 李杰
- 李至善
- 汤科元
- 王悦
- 王淑丹
- 田鹏浩
- 蔡乐才
- 蔡军
- 薛玉利
- 谈玲
- 谢磊
- 谭兵
- 辛乐
- 陈心睿
- 陈鑫
- 陈阳舟
- 高尚兵
- 高歌
- 高祥
- 黄尚安
- C·巴尔曼
- M·佩尔科菲
- T·克勒
- V·拉梅什
- Y·朱
- 于平平
-
-
谢豆;
石景文;
刘文军;
刘澍
-
-
摘要:
针对当前在真实环境中交通标志呈多尺度分布,且图像背景复杂、天气光照多变等多种因素造成识别精度低、识别速度慢等情况。提出了一种基于深度学习神经网络的交通标志识别的设计与实现。首先从公开数据集TT100K中选取出现次数最多的45类交通标志进行识别,接着对图像进行mosaic等图像增强及图像处理。然后在深度学习神经网络中的YOLOv4网络结构上进行改进,使用聚类划分需要检测的目标框尺寸和CIOU对预测结果进行优化,最后使用迁移学习对模型进行训练。通过对模型的评估发现,与现有的方法相比,该模型的识别精度更高,识别速度更快。
-
-
成怡;
张宇;
李宝全
-
-
摘要:
针对交通标志尺度变化大导致检测精度低的问题,本文提出一种改进CenterNet的交通标志检测算法。采用ResNeSt50作为主干特征提取网络,引入PSConv(Ploy-Scale Convolution)改进网络卷积层结构。设计多尺度感受野模块,对ASPP(Atrous Spatial Pyramid Pooling)选取合适的膨胀率,利用注意力机制优化模块输出,提升对不同尺度标志的检测能力。在解码网络设计特征增强模块,减少因连续上采样导致的特征丢失。针对CenterNet回归目标尺寸不准确的问题,使用GHM(Gradient Harmonizing Mechanism)对损失函数改进。经实验验证,改进后算法总体精度提升了9.45%,速度达到每秒91.09帧,适用于交通标志检测。
-
-
胡聪;
何晓晖;
邵发明;
张艳武;
卢冠林;
王金康
-
-
摘要:
交通标志检测在车辆辅助驾驶系统、自动驾驶等领域是一个重要研究内容,它能即时协助驾驶员或自动驾驶系统有效地检测和识别交通标志。基于该需求,提出了一种基于真实交通场景的交通标志检测方法。首先,选择合适的数据库,将数据库中的道路场景图像转换为灰度图像,并对灰度图像进行简化Gabor滤波处理,强化交通标志的边缘信息。其次,利用区域推荐算法MSERs对Gabor滤波后的特征图进行处理,形成交通标志的推荐区域。最后,通过提取HOG特征,使用SVM进行分类。通过实验,分析了简化Gabor滤波器的特征提取性能、SG-MSERs区域推荐及筛选的性能,并且得到了算法的大类分类准确率以及所需要的处理时间。实验结果表明,所提算法在GTSDB和CSTD数据集上都获得了较好的检测性能,基本满足实时处理的需求。
-
-
李烨;
顾晨峰
-
-
摘要:
在交通标志检测中,小而稠密的交通标志易受遮挡、恶劣天气等复杂自然环境的影响,导致检测性能较差.针对此问题,提出一种基于注意力机制的多尺度小目标交通标志检测方法.以CSPDarknet53为基础设计了一种新型的特征提取网络,使得输出特征图的分辨率得以增大、目标更易于检测,同时通过反卷积自适应级联结构融合浅层细节信息与深层语义特征.此外,构造了一种基于空间注意力机制的倒金字塔结构,以高分辨特征图生成的注意力系数图增强低分辨率特征图的显著区域检测性能.实验结果表明该方法在满足实时性的情况下,不仅提高了小尺度交通标志的检测性能,而且对复杂自然环境下的交通标志检测更具鲁棒性,显著优于典型的目标检测算法.在自制数据集上,检测精度达到95.26%,在0.8的IoU阈值下,相比YOLOv3高19.1%.
-
-
彭济耀;
刘子杨;
冯传旭;
方芳;
罗忠文;
刘袁缘;
覃杰
-
-
摘要:
实时精准的交通标志检测是实现自动驾驶和智能交通的重要技术之一.针对真实智能驾驶场景中背景复杂且交通标志尺度较小,现有的检测方法容易出现错检和漏检等问题,提出一种尺度感知的双向特征金字塔网络,实现复杂交通场景中实时、精准的交通标志检测.首先,为解决微小标志在传统金字塔网络中尺度丢失的问题,通过构建自底向上和自顶向下的双向金字塔网络,循环地学习尺度感知的融合特征;然后引入前景注意力模块和尺度感知损失函数,学习和优化不同尺度下的前景显著特征和关联,实现多尺度前景目标分离;最后,引入轻量级和非轻量级主干卷积网络,可以同时提高模型效率和精度.在真实复杂场景的交通标志数据集TT100K和STSD中的实验结果表明,该方法的检测精度达到了66.7%和60.9%,同时实时检测速率达到了30帧/s.
-
-
王弘宇;
张雪芹
-
-
摘要:
为解决复杂驾驶环境中小目标交通标志的高精度检测问题,基于Cascade R-CNN级联模型提出一种多任务级联模型GA-CMF R-CNN(guided anchoring-cascade mask flow R-CNN)。采用ResneXt101(32×4d)-FPN作为特征提取网络,确保特征图的语义信息和分辨率信息;采用GA-RPN作为区域生成网络,提高网络特征表达能力;模型融合Mask R-CNN的mask分支,在级联的mask分支间添加信息流,通过对先验框中的目标进行语义分割,提高检测精度。在公开交通标志检测数据集上的测试结果表明,该模型能有效提高复杂环境下小目标交通标志的检测和识别精度。
-
-
杨京晶;
李付江;
张起贵
-
-
摘要:
为提高自然场景下交通标志检测实时性差的问题,提出了一种基于视频码流的交通标志检测方法。此方法充分利用编码块像素之间的相关性和码流中能体现的不同交通标志颜色特征和边缘特征,通过分析视频码流帧内预测模式、像素残差分布情况值和像素残差信息,对交通标志进行目标粗定位;通过分析视频码流帧间预测码流预测模式、像素残差分布情况值和运动矢量信息,对交通标志检测进行修正。此方法避免了视频解码过程中整数IDCT变换、反量化、重构和环路滤波等耗时的操作。基于中国交通标志数据库(CCTSDB)的实验获得了96.9%检测率和4.3%误检率,该方法检测时间较短,可满足实时检测要求。
-
-
蔡军;
邱会然;
谭静;
杨平安
-
-
摘要:
针对自然场景中小型交通标志检测漏检和虚警问题,提出了一种多尺度上下文融合的交通标志检测算法。以YOLOv3为检测框架,将特征金字塔网络的深层特征信息融合进更浅层特征层,提高更浅层特征层中高级前景语义信息的利用率;在YOLOv3框架基础上加入上下文模块,重新分配交通标志特征图中的上下文信息权重,加强目标特征信息的复用;使用融合预测目标置信度的网络损失函数来进行端到端的训练。在中国交通标志数据集TT100K上试验75类小型交通标志获得了56.93%的平均精度均值,相比于YOLOv3算法,所提算法精度提高了9.19%,验证了所提算法的有效性,表明了在小目标和多目标的环境下所提算法检测效果提升明显。
-
-
刘宇宸;
石刚;
崔青;
刘明辉;
郑秋萍
-
-
摘要:
提出了一种改进的MobileNetv3-YOLOv3算法.引入SPPNet去除重复特征,提高候选框的选取速度,加快模型的推理速度;引入CSPNet消除计算瓶颈,节省计算量;引入Focus层防止特征图信息丢失,保证模型的准确度.在CCTSDB数据集上的实验结果表明:MobileNetv3与YOLOv3算法结合最佳,改进MobileNetv3-YOLOv3算法的平均精度高达97.7%,检测速度FPS达到89,与YOLOv3算法相比较,本文算法精确度(P)、召回率(R)、平均精度值(mAP)、每秒传输帧数(FPS)都得到了提升,分别提升6%,1.8%,1.8%和15%,与最新的算法相比较本文的P值以及mAP值均取得了最优的结果.可以看出所提出的算法在极大地减少模型参数量和计算量的同时,提高了检测精度以及检测速度.
-
-
陈春辉;
马社祥
-
-
摘要:
传统基于卷积神经网络的交通标志检测网络采用堆叠大量卷积核的方式进行下采样,限制了卷积神经网络的感受野建模,难以灵活地调整内部参数,从而丢失图像的细节信息,导致小目标与遮挡目标的检测精度与定位精度降低。提出基于YOLOv5采样优化的交通标志检测网络。以新型算子作为基础架构,采用自卷积方式灵活提取不同通道的特征,并构建跨阶段注意力机制模块,以增加各通道特征的重要性权值,从而提高小目标的检测能力。通过改进的通道聚合网络实现多尺度语义信息与细节特征的融合与增强,同时利用K-means聚类算法生成更适合交通标志的先验框,在非极大值抑制算法中引入距离交并比函数对预测框进行后处理,避免错误抑制复杂场景下被遮挡的目标,从而提高定位精度。在中国交通标志数据集上的实验结果表明,当交并比阈值为0.5时,该网络的平均精度均值为95.8%,与YOLOv5网络相比模型参数量减少了15.7%,在满足实时性的同时具有较优的小目标检测性能。