基于改進YOLO模型的交通標志檢測

黃尚安

（江門職業技術學院，廣東 江門529090）

當前智能交通正處于飛速發展的階段，特別在無人駕駛、輔助駕駛領域中對于交通標志檢測技術的要求越來越高，如何做到快速、準確的檢測交通標志，平衡目標檢測速度和精度之間的關系，一直是研究人員追求的目標。

Kun Ren 等人提出了一種基于深度可分DetNet 和Lite 融合特征金字塔網絡(LFFPN)的實時交通標志檢測系統。該模型采用深度可分的瓶頸塊、Lite 融合模塊和改進的SSD 檢測前端，實現了速度和精度的折衷，在GTSDB 數據集上的mAP 為81.35%[1]；JA Khan 等人基于YOLO 模型建立了交通標志檢測器，采用網格優化和錨箱優化的方法對小型交通標志的檢測性能進行了優化，也取得了不錯的成績，但是模型計算量卻有待進一步控制[2]；F Liu 等人提出了一種基于信道關注與特征融合網絡(CAFFNet)的多目標交通標志檢測方法。該方法通過輕量級信道注意網絡有效地學習特征信道之間的相關性，在不降低維數的情況下實現局部交叉信道交互，提高了網絡的表示能力，mAP達到了0.88 的好成績[3]；J Zhang, 等人提出了一種級聯的R-CNN 來獲取金字塔中的多尺度特征，除第一層外，級聯網絡的每一層都融合前一層的輸出邊界框，以進行聯合訓練，且在此基礎上，提出了一種基于點積和Softmax 的加權多尺度特征提取方法，并將其歸結為細化特征，突出交通標志特征，提高交通標志檢測的準確性，也取得了不錯的成績，但是模型參數量過大，有待優化[4]；PS Zaki 等人提出了一種利用快速遞歸卷積神經網絡(F-RCNN)和單鏡頭多盒檢測器(SSD)等多目標檢測系統，結合MobileNet v1 和Inception v2 等多種特征提取器，解決交通標志檢測問題，mAP 達到了0.86[5]。

交通標志檢測相對于其它目標檢測問題，有相當多的特殊性：如雨雪天氣下、極端光照下或者遮擋污損下，如何保證在惡劣天氣狀況下準確檢測出交通標志；再比如當前眾多的算法模型對交通標志檢測會出現性能下降的情況，本文研究基于改進YOLO 模型的交通標志檢測方法，力求在檢測精度和速度之間達到平衡，做到又快又好。

1 方法設計

1.1 YOLO 模型

YOLO 模型是華盛頓大學Joseph Redmon 最早構建提出的一種端到端的目標檢測模型，它的本質實際上是對回歸問題進行求解[6]。模型的入口就是原始待檢測圖像，而模型的出口就是目標檢測的結果位置以及相應類別，它與fast rcnn 等目標檢測算法的區別是：YOLO 模型的訓練迭代和目標檢測都是在一個獨立網絡中工作，相較于多種模塊混合工作的方式，YOLO 模型擁有更加優秀的檢測速度，但是過于“單一模塊”的工作方式，又讓它的檢測精度受到限制，圖1 為YOLO 模型的整體架構。

圖1 YOLO 模型的整體架構

如圖1 所示，YOLO 模型的卷冊層共計24 個，全連接層共計2 個。YOLO 模型在訓練過程中的損失函數如下所示：

1.2 特征加深模塊

CNN 卷積神經網絡中感受野的值越小，卷積層對細節特征的提取能力就越強，反之則變弱[7]。而YOLO 模型中前部分網絡層的感受也較小，本文研究構建一種特征加深模塊，加強YOLO模型中前部分網絡層對細節、局部特征的提取能力，從而增強對交通標志的檢測能力。如圖2 所示，特征加深模塊包含前、中、后三個網絡層，每個網絡層都包含卷積核大小為1×1、3×3 的卷積層，且最終將加深的特征融合到批量標準化層（BN 層），以此完成細節特征加深的主要工作。

圖2 特征加深模塊

1.3 改進的YOLO 模型

圖3 為改進的YOLO 模型，添加的特征加深模塊中，卷積核、特征圖大小及層數都已在圖中標明，值得注意的是，提出模塊使用Lanczos 插值算法[8]，能夠進一步加深細節和局部信息提取能力，且能有效控制模型計算的參數量。

2 實驗結果及分析

2.1 實驗細節

本文提出的改進模型和原YOLO 模型都在德國交通標志公共數據集GTSDB 上進行訓練和評估。初始學習率設置為0.001，動量設置為0.7，權重衰減設置為0.0003，批量大小設置為28，數據集圖像輸入像素大小統一調整為448×448。本文選擇的實驗數據集GTSDB 中有900 幅圖像，我們將其中的600 幅圖像用于訓練，300 幅圖像用于本文提出方法的評價。我們在具有Intel Core i7-11700K CPU,32 GB RAM，NVIDIA GeForce GTX1080 GPU 和Ubuntu 18.04 的計算機上做實驗。

2.2 實驗結果及分析

將原YOLO 模型設為模型A，將添加特征加深模塊的YOLO 模型設為模型B，前期900 個迭代次數下，代價函數與迭代次數的關系，如圖4 所示。

圖4 模型代價函數與迭代次數的關系圖

無論是原YOLO 模型，還是改進的YOLO 模型，隨著迭代次數的增加，模型都可以很快將代價函數值降下來，模型擁有非常優秀的訓練速度，較好控制了計算量。本文提出的改進YOLO模型和當前其他算法的mAP 對比，如表1 所示。

表1 與當前其它方法的結果比較

通過和當前較多方法實驗結果的對比，本文提出的改進YOLO 模型相較于原模型mAP 提升了13.3%，且優于目前眾多算法模型。

3 結論

本文提出了一種基于改進YOLO 模型的交通標志檢測方法，解決了原模型對交通標志檢測出現性能下降的情況，能夠在控制計算量大小基礎上，獲得優秀的檢測性能。下一步還將研究特征加深模塊對其它目標檢測算法的幫助。