• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

基于三尺度嵌套残差结构的交通标志快速检测算法

李旭东, 张建明, 谢志鹏, 王进

李旭东, 张建明, 谢志鹏, 王进. 基于三尺度嵌套残差结构的交通标志快速检测算法[J]. 计算机研究与发展, 2020, 57(5): 1022-1036. DOI: 10.7544/issn1000-1239.2020.20190445
引用本文: 李旭东, 张建明, 谢志鹏, 王进. 基于三尺度嵌套残差结构的交通标志快速检测算法[J]. 计算机研究与发展, 2020, 57(5): 1022-1036. DOI: 10.7544/issn1000-1239.2020.20190445
shu
Li Xudong, Zhang Jianming, Xie Zhipeng, Wang Jin. A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures[J]. Journal of Computer Research and Development, 2020, 57(5): 1022-1036. DOI: 10.7544/issn1000-1239.2020.20190445
Citation: Li Xudong, Zhang Jianming, Xie Zhipeng, Wang Jin. A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures[J]. Journal of Computer Research and Development, 2020, 57(5): 1022-1036. DOI: 10.7544/issn1000-1239.2020.20190445
shu
李旭东, 张建明, 谢志鹏, 王进. 基于三尺度嵌套残差结构的交通标志快速检测算法[J]. 计算机研究与发展, 2020, 57(5): 1022-1036. CSTR: 32373.14.issn1000-1239.2020.20190445
引用本文: 李旭东, 张建明, 谢志鹏, 王进. 基于三尺度嵌套残差结构的交通标志快速检测算法[J]. 计算机研究与发展, 2020, 57(5): 1022-1036. CSTR: 32373.14.issn1000-1239.2020.20190445
shu
Li Xudong, Zhang Jianming, Xie Zhipeng, Wang Jin. A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures[J]. Journal of Computer Research and Development, 2020, 57(5): 1022-1036. CSTR: 32373.14.issn1000-1239.2020.20190445
Citation: Li Xudong, Zhang Jianming, Xie Zhipeng, Wang Jin. A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures[J]. Journal of Computer Research and Development, 2020, 57(5): 1022-1036. CSTR: 32373.14.issn1000-1239.2020.20190445
shu

基于三尺度嵌套残差结构的交通标志快速检测算法

  • (长沙理工大学计算机与通信工程学院 长沙 410114) (综合交通运输大数据智能处理湖南省重点实验室(长沙理工大学) 长沙 410114) (lxd@stu.csust.edu.cn)

基金项目: 国家自然科学基金项目(61972056,61811530332)；湖南省自然科学基金项目(2019JJ50666)；长沙理工大学“双一流”科学研究国际合作拓展项目(2019IC34)；湖南省研究生培养创新基地项目(2019-248-51)；湖南省研究生科研创新项目(CX20190695)
详细信息

  • 中图分类号: TP391

A Fast Traffic Sign Detection Algorithm Based on Three-Scale Nested Residual Structures

  • (School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha 410114) (Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation (Changsha University of Science and Technology), Changsha 410114)

Funds: This work was supported by the National Natural Science Foundation of China (61972056, 61811530332), the Natural Science Foundation of Hunan Province of China (2019JJ50666), the “Double First-class” International Cooperation and Development Scientific Research Project of Changsha University of Science and Technology (2019IC34), the Postgraduate Training Innovation Base Construction Project of Hunan Province (2019-248-51), and the Postgraduate Scientific Research Innovation Fund of Hunan Province (CX20190695).

摘要

    摘要
  • 摘要: 智能驾驶对交通标志自动检测的实时性及鲁棒性有着极高要求.目标检测中YOLOv3-tiny检测算法是轻量网络，实时性好、但准确率不高.将YOLOv3-tiny检测算法作为基础网络，提出了一种三尺度嵌套残差结构的交通标志快速检测算法.首先，在基础网络上采用逐像素相加的跨层连接，并未增加特征图的通道数，同时网络中形成1个小残差结构.其次，通过同样的跨层连接方式，增加了1层空间分辨率更高的预测输出，使得该尺度输出包含更丰富的空间信息，进而构成大残差结构.最终，将2个残差结构进行嵌套，形成了1个三尺度预测的嵌套残差网络模型，使得Tiny检测算法的部分主网络位于这2个残差结构中，起到3次调参的作用.实验结果表明：提出的算法能够快速鲁棒地检测真实场景中的交通标志.在德国交通标志检测数据集(German traffic sign detection benchmark, GTSDB)上交通标志总F\-1值为91.77%、检测时间为5ms；在长沙理工大学中国交通标志检测数据集(CSUST Chinese traffic sign detection benchmark, CCTSDB)上指示、禁令、警告三大类交通标志F\-1值分别为92.41%，93.91%，92.03%，检测时间为5ms.
    Abstract: Automatic driving technology has high requirements for real-time and robustness of traffic sign detection in real world. The YOLOv3-tiny model is a lightweight network with good real-time performance in the object detection, but its accuracy is not high. In this paper, we use YOLOv3-tiny as the basic network and propose a fast traffic sign detection algorithm with three-scale nested residual structure. Firstly, shortcut based on pixel by pixel addition is employed in the YOLOv3-tiny network. It does not increase the number of feature map channels, and a small residual structure is formed in the network at the same time. Secondly, the predictive output with higher spatial resolution is also added through the shortcut, which contains more abundant spatial information, thus forming a large residual structure. Finally, the two residual structures are nested to form a three-scale predictive nested residual network, which makes the main network of Tiny located in these two residual structures and the parameters can be adjusted three times. The results show that the proposed algorithm can quickly and robustly detect traffic signs in real scenes. The F\-1 value of total traffic signs achieves 91.77% on German traffic sign detection benchmark and the detection time is 5ms. On CSUST Chinese traffic sign detection benchmark, F\-1 values of the Mandatory, the Prohibitory and the Warning are 92.41%, 93.91% and 92.03% respectively, and the detection time is 5ms.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(54)

  • 期刊类型引用(21)

    1. 李禹纬，付锐，刘帆. 改进YOLOv7的轻量化交通标志检测算法. 太原理工大学学报. 2024(01): 195-203 . 百度学术
    2. 李旭东 ，廖婷婷 ，乐文毅 ，曾小信 ，陈思墨 ，李宗平 . 基于YOLOv3的袋式除尘器滤袋破损自动检测方法. 烧结球团. 2024(01): 99-105 . 百度学术
    3. 江金懋，钟国韵. 基于双向嵌套级联残差的交通标志检测方法. 现代电子技术. 2024(05): 176-181 . 百度学术
    4. 韩长江，刘丽娟. 基于Transformer改进YOLOv5的交通标志检测算法. 信息技术. 2024(11): 21-27 . 百度学术
    5. 张京淇，李超，李晓磊. 基于改进YOLOv8s的交通标志检测算法. 电脑知识与技术. 2024(30): 31-34 . 百度学术
    6. 胡昭华，王莹. 改进YOLOv5的交通标志检测算法. 计算机工程与应用. 2023(01): 82-91 . 百度学术
    7. 金晓康，吴瑶，施莹娟，沈才有. 基于YOLO框架的实时交通标志识别算法研究与系统实现. 软件. 2023(01): 20-23 . 百度学术
    8. 刘翀豪，潘理虎，杨帆，张睿. 改进YOLOv5的轻量化口罩检测算法. 计算机工程与应用. 2023(07): 232-241 . 百度学术
    9. 王能文，张涛. 改进YOLOX-S实时多尺度交通标志检测算法. 计算机工程与应用. 2023(21): 167-175 . 百度学术
    10. 方猛，邹亚洲. 基于车载点云数据的道路交通指示标志检测方法. 北京测绘. 2023(08): 1121-1127 . 百度学术
    11. 王浩，雷印杰，陈浩楠. 改进YOLOV3实时交通标志检测算法. 计算机工程与应用. 2022(08): 243-248 . 百度学术
    12. 刘万军，李嘉欣，曲海成. 基于多尺度卷积神经网络的交通标示识别研究. 计算机应用研究. 2022(05): 1557-1562 . 百度学术
    13. 张上，王恒涛，冉秀康. 基于YOLOv5的轻量化交通标志检测方法. 电子测量技术. 2022(08): 129-135 . 百度学术
    14. 刘宇宸，石刚，崔青，刘明辉，郑秋萍. 改进MobileNetv3-YOLOv3交通标志牌检测算法. 东北师大学报(自然科学版). 2022(02): 53-60 . 百度学术
    15. 高宇鹏，梁世军. 交通禁令标志自动图像识别方法设计与仿真. 计算机仿真. 2022(06): 123-126+145 . 百度学术
    16. 闵锋，侯泽铭. 铁路接触网主要部件检测方法. 计算机工程与设计. 2022(10): 2911-2917 . 百度学术
    17. 马宇，张丽果，杜慧敏，毛智礼. 卷积神经网络的交通标志语义分割. 计算机科学与探索. 2021(06): 1114-1121 . 百度学术
    18. 马永杰，程时升，马芸婷，马义德. 卷积神经网络及其在智能交通系统中的应用综述. 交通运输工程学报. 2021(04): 48-71 . 百度学术
    19. 张力天，孔嘉漪，樊一航，范灵俊，包尔固德. 基于宏微观因素的概率级别的车辆事故预测. 计算机研究与发展. 2021(09): 2052-2061 . 本站查看
    20. 陈燕，杨志刚. 自然场景建筑工程标志信息逐级细化识别算法. 计算机仿真. 2021(08): 450-454 . 百度学术
    21. 任坤，黄泷，范春奇，高学金. 基于多尺度像素特征融合的实时小交通标志检测算法. 信号处理. 2020(09): 1457-1463 . 百度学术

    其他类型引用(33)

    • 资源附件(0)
计量
  • 文章访问数:  1349
  • HTML全文浏览量:  7
  • PDF下载量:  620
  • 被引次数: 54
出版历程
  • 发布日期:  2020-04-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(54)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计