计算机应用

作者：张达为, 刘绪崇, 周维, 陈柱辉, 余瑶

单位：1.湘潭大学 计算机学院·网络空间安全学院, 湘潭 湖南, 411105；2.湖南警察学院 湖南公安科学技术研究院, 长沙 410138；3.湘潭大学 公共管理学院, 湘潭 湖南, 411105

关键词：目标检测,特征融合,YOLOv3,距离交并比,MobileNetv2,K-Means++

基金：湖南省自然科学基金资助项目(2018JJ2107);湖南省科技重大专项(2017SK1040);湖南省高新技术产业科技创新引领计划项目(2020GK2029)

针对目前我国智能驾驶辅助系统识别道路交通标志检测速度慢、识别精度低等问题，提出一种基于YOLOv3的改进的道路交通标志检测算法。首先，将MobileNetv2作为基础特征提取网络引入YOLOv3以形成目标检测网络模块MN-YOLOv3，在MN-YOLOv3主干网络中引入两条Down-up连接进行特征融合，从而减少检测算法的模型参数，提高了检测模块的运行速度，增强了多尺度特征图之间的信息融合；然后，根据交通标志目标形状的特点，使用K-Means++算法产生先验框的初始聚类中心，并在边界框回归中引入距离交并比（DIOU）损失函数来将DIOU与非极大值抑制（NMS）结合；最后，将感兴趣区域（ROI）与上下文信息通过ROI Align统一尺寸后融合，从而增强目标特征表达。实验结果表明，所提算法性能更好，在长沙理工大学中国交通标志检测（CCTSDB）数据集上的平均准确率均值（mAP）可达96.20%。相较于Faster R-CNN、YOLOv3、Cascaded R-CNN检测算法，所提算法拥有具有更好的实时性和更高的检测精度，对各种环境变化具有更好的鲁棒性。

来源：2022年第7期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第7期