《YOLOv5在复杂场景下交通标志识别中的应用》13000字.doc

PAGE

PAGEI

YOLOv5在复杂场景下交通标志识别中的应用

摘要

交通标志的精准识别可以持续提供驾驶信息，协助驾驶人员及时检测识别各种各样交通标志，减少违章提高驾驶安全性。针对传统式交通标志识别算法在多类别下准确率低、处理速度差的问题，依据深度神经网络的检测算法具备自动获取特征等优势，论文在YOLOv4和yolov5目标检测算法的基础上，致力于找到一种精度更高、速度更快、效果更好的算法模型来进行交通标志的检测和识别。选用裁剪处理后的清华大学-腾讯交通标志数据集的46类展开训练和测试。实验结果显示与YOLOv4模型对比，YOLOv5网络模型在TT100k上的识别准确率为92.09%，比YOLOv4算法提升了9.17%。在维持92.09%识别准确率的同时，还有轻量级的模型大小。具体模型尺寸仅为28mb，模型尺寸是yolov4模型的11.2%。在GPU上测试，帧率达到28.85FPS，快了三倍，达到路面交通标志的精度高、实时性佳的检测效果。使用YOLOv5构建的交通检测模型精准度更高、速度更快，更值得去使用此方法研究，更轻松地应用到辅助驾驶的嵌入式设备中。

关键词：深度学习；卷积神经网络；交通标志识别；YOLOv4；YOLOv5

目录TOC\o1-3\h\u

摘要 I

1绪论 -1-

1.1研究意义 -1-

1.2国内外研究现状 -1-

1.3研究内容 -2-

1.4论文组织架构 -3-

2基于YOLO的目标检测算法 -5-

2.1卷积神经网络理论基础 -5-

2.1.1卷积神经网络的组成 -5-

2.1.2训练神经网络 -6-

2.2典型交通识别模型YOLO -7-

2.2.1YOLO目标检测器 -7-

2.2.2YOLO基础组件 -7-

2.2.3YOLOv4网络结构 -8-

2.2.4YOLOv5网络结构 -9-

2.3本章小结 -10-

3数据集与模型评价指标 -11-

3.1交通标志数据集 -11-

3.1.1交通标志简介 -11-

3.1.2TT100K数据集 -12-

3.2模型评价指标 -13-

3.3本章小结 -14-

4模型训练与实验 -15-

4.1实验平台环境配置 -15-

4.2数据集准备 -15-

4.3基于YOLOv4、YOLOv5模型训练 -16-

4.4模型评价对比分析与应用 -16-

4.4.1模型评价对比分析 -16-

4.4.2模型应用 -18-

4.5小结 -19-

5总结与展望 -20-

参考文献 -21-

PAGE

11-

1绪论

1.1研究意义

随着社会和经济的发展，家庭拥有私家车的人数日益增多，而与之相应的是，交通事故的发生率也在持续上升，交通事故的因素也不尽相同。人为的酒驾、超速，自然条件的天气恶劣而导致无法看清交通标识而发生意外交通事故。为此，西方发达国家提出了智能交通系统，致力于根据电子信息技术来减轻交通堵塞和管理方法公共交通（李明华，王志国，2022）。此外，在辅助驾驶行业，Google、百度搜索等着名企业也慢慢将独立自动驾驶系统运用到具体安全驾驶自然环境中。由此可以洞悉交通标志识别是道路交通系统软件的关键构成部分，旨在提示驾驶员标准安全驾驶，安全文明驾驶（张建平，刘文博，2023）。交通标志的自动识别和识别可以在辅助驾驶系统软件中为驾驶者给予提示，进而降低交通事故的发生。交通标志的自动识别广泛运用于人力安全驾驶和自动驾驶中（陈子凡，杨柳青，2021）。

交通标志是明亮、显眼、突出为特点的特殊标记符号，用来提示驾驶人员来降低交通事故发生的概率。从这些细节可以推测出自动驾驶的总体目标是确保安全性和高效率，与此同时用计算机信息技术替代人们安全驾驶。现阶段自动驾驶还存有下列问题（周健雄，徐丽萍，2021）：(1)交通标志模糊不清或有缺陷。(2)天气原因，如雾霾天气、浓雾导致识别能力差。(3)有障碍物，公路绿化植物和房屋建筑挡住交通标志。根据现实因素，传统式的图像处理技术存在分类不精确、效率低等问题。

伴随着硬件配置性能的提高，近些年，深度神经网络获得了较大的进度，已经广泛运用于视频语音识别、文字识别、数字图像处理等[1]领域。深度神经网络在目标检测和识别层面也得到了较大的提升（孙志强，赵敏娜，2022）。不难推断出与传统的图像处理技术性对比，它在特征提取