基于Faster-RCNN改进的交通标志检测算法

摘要

针对真实交通场景下受天气、光线条件的影响较大，远距离小目标交通标志识别效果不佳、计算成本高等问题，以Faster-RCNN的基本架构为基础，提出了一种Faster-RCNN改进算法用于小目标交通标志检测。通过重构骨干网络和改进区域候选网络，使网络框架轻量化。融合scSE注意力和GSConv卷积设计了多尺度特征融合网络，同时更新Anchors锚选框尺寸，提高网络对交通标志目标的定位能力和识别能力。采用对每个目标子区域进行双线性插值的ROI Align池化操作保留目标区域细节特征，提高远距离目标的细节拾取能力；采用平衡L₁损失函数解决大梯度难学样本与小梯度易学样本间的不平衡问题，提高训练效果。使用扩充后的TT100K数据集进行测试，实验结果表明：本文算法与传统Faster-RCNN相比，模型权重减少了200 MB，检测精度提高了21.3%。在阴天等低强度环境中交通标志检测精度可以达到85%，有助于提高极端环境下的交通标志检测性能。

关键词

环境感知 / 交通标志检测 / TT100K / Faster-RCNN / 多尺度特征融合