改进Faster R-CNN的交通标志检测算法

摘要

针对目前交通标志检测方法受光照影响较大，模型精度低等问题，提出一种更快基于区域卷积神经网络（faster region-based convolutional neural network, Faster R-CNN）的交通标志检测算法。针对图像中天空与非天空区域的光照不均匀现象，引入伽马变换增强交通标志在模型中的特征表达能力；利用基于卷积注意力模块的高效网络（convolutional block attention module-based an efficient network, CBAM-EfficientNet）解决网络深度退化问题，提高浅层网络的特征获取能力，降低参数量；在网络中引入特征金字塔网络以检测不同尺寸目标，增强网络对不同尺寸交通标志的感知能力，解决交通标志尺寸差异问题。试验结果表明，该算法在GTSDB数据集上的平均准确率均值P_mA达到99.79%,在CCTSDB2021数据集上的P_mA达到87.62%。为光照不均匀图像的交通标志检测提供一种高准确性的方法。

关键词

交通标志检测 / Faster R-CNN / 图像增强 / 特征金字塔网络 / CBAM-EfficientNet

基金资助

山东省自然科学基金面上资助项目(ZR2022MF272); 山东省高等学校青年创新团队资助项目(2022KJ205); 山东省重点研发计划资助项目(2019GGX101068)