基于YOLOv4-Ghost 交通標志檢測*

羅相好 李澤平 朱紅艷

（貴州大學計算機科學與技術學院 貴陽 550025）

1 引言

計算機視覺在道路場景下的應用通常是交通標志檢測，汽車搭載的設備通常是嵌入式微處理器，具有硬件成本和計算性能較低的特點，高精度大型目標檢測網絡難以在類似平臺上做到實時效果，制約著自動駕駛行業的發展。

目前檢測率較高的車載交通標志檢測方案可以分為在線和離線兩種策略，在線策略是從車輛傳感器中獲取到圖像，通過網絡數據傳輸到云服務器進行處理，以滿足高精度的檢測要求，但通過云服務器處理的方式在網絡波動、信號未覆蓋等情況時會出現數據傳輸失效，只能作為一種簡單的駕駛輔助。離線策略則例如［1］提出一種基于NI（National Instruments）的車輛目標檢測和信息提取系統，核心算法為模板匹配，在嵌入式環境下處理駕駛中所需的邊緣計算［2］。在嵌入式平臺上實時運行基于深度學習的目標檢測算法，對模型進行輕量化處理來滿足有限的計算資源［3］。提出基于多粒度剪枝的水下檢測檢測算法，使得壓縮過的模型能嵌入移動式設備中。以上方案在一定程度下平衡了速度與精度之間的關系，有效地解決特定場景下的目標檢測任務，而遷移到道路交通標志檢測場景下，受移動速度和復雜程度更高的極端天氣影響難以得到令人滿意的結果。

為了將道路交通標志檢測模型在低算了硬件上運行，以YOLOv4 網絡模型［4］為基礎模型進行改進，提出輕量化交通標志檢測模型YOLOv4-Ghost。……