改进YOLOv5的交通灯实时检测鲁棒算法

摘要：

交通灯检测算法作为自动驾驶任务中的一个重要环节,直接关系到智能汽车的行车安全.因为交通灯尺度小且环境复杂,给算法研究带来了困难.针对交通检测存在的痛点,提出改进YOLOv5的交通灯检测算法.首先使用可见标签比确定模型输入;然后引入ACBlock结构增加主干网络的特征提取能力,设计SoftPool减少主干网络的采样信息损失,使用DSConv卷积核减少模型参数;最后设计了记忆性特征融合网络,高效利用了高级语义信息和底层特征.对模型输入和主干网络的改进,直接提高模型在复杂环境下对特征的提取能力;对特征融合网络的改进,使模型能够充分利用特征信息,增加对目标定位和边界回归的精准度.实验结果表明,改进后的方法在BDD100K数据集上取得了74.3％的AP和111 frame/s的检测速度,比YOLOv5提高11.0个百分点的AP;在Bosch数据集上取得了84.4％的AP和126 frame/s的检测速度,比YOLOv5提高9.3个百分点的AP.鲁棒性测试结果表明,改进后的模型在各种复杂环境中对目标的检测能力都有显著提升,鲁棒性增加,做到了高精度实时检测.

关键词：交通灯检测;YOLOv5;记忆性特征融合网络;BDD100K;实时检测

所属期刊栏目：16

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划2019YFB1802700

在线出版日期：2022-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：231-241