基于改进YOLOv5的小目标交通标志识别.pdf

摘要

近年来，自动驾驶汽车与驾驶辅助系统成为研究热点，其主要挑战之一是高效、

准确地识别交通标志，尤其在车辆行驶或雾天情况下，这一任务变得尤为困难。传

统的基于标准卷积神经网络的目标检测模型面临着在嵌入式设备部署难度大、对小

目标交通标志检测性能不足等问题。因此，本研究旨在改进小目标交通标志的检测

性能，同时考虑模型的轻量化，以适应快速且准确的实时检测需求。

本研究首先对现有的小目标交通标志检测技术进行全面调研，包括传统目标检

测算法和基于深度学习的算法，分析它们的工作原理和局限性。此外，对卷积神经

网络的基础理论进行了系统学习，包括R-CNN系列的两阶段检测网络及SSD(Single

ShotMultiBoxDetector)、YOLO(YouOnlyLookOnce)等一阶段检测网络。针对应用

场景，选择TT100K数据集作为训练和验证的基础，并对数据集进行了数据增强处

理，以提高模型的泛化能力。

其次提出了基于改进YOLOv5的小目标交通标志识别模型。该模型通过引入

K-means++方法优化锚框聚类、设计延伸特征金字塔网络(ExtendedFeaturePyramid

Network,EFPN)以增强对小目标的检测能力、融合CBAM(ConvolutionalBlock

AttentionModule)注意力机制提升特征融合效率、以及采用Focal-EIOU损失函数减

少小目标的误检和漏检，显著提升了模型的检测性能。

再次，论文探讨了模型轻量化的研究，采用轻量级的部分卷积(Partial

Convolution,PConv)构建PC3特征提取模块，进一步降低了模型的大小和计算复杂性，

同时保持了高检测性能。这些优化方法的有效性在TT100K-AUG数据集上进行消融

实验验证，实验结果显示相比于基准模型YOLOv5，在P上提高了8.9%，检测速度

达到每秒166.7帧，提升了14.4%，模型大小减小到3.95M，降低了44.4%。同时本

文算法也与其它主流算法进行对比，对比实验结果显示本文算法具有较高的先进性。

最后，为了进一步验证改进算法的有效性，本文开展了车载实验，设计硬件平

台和软件系统，系统基于PyCharm编译器平台，采用Python3.8编程语言进行开发，

此系统的输入具有图片、视频文件以及摄像头实时监测等功能，系统完成识别任务

并在页面上直接显示结果，以可视化效果更加直观的展示所做优化策略的有效性。

基于改进YOLOv5的小目标交通标志识别系统，进行了车载道路实际测试，实验结

果显示，算法能够准确识别出道路上的交通标志。

关键词：小目标检测；YOLOv5；K-means++；注意力机制；轻量化网络

I

Abstract

Inrecentyears,autonomousvehicleanddrivingassistancesystemshavebecomea

researchhotspot.Oneofitscorechallengesistoidentifytrafficsignsefficientlyand

accurately.Especiallyinthecaseofvehicledrivingorfog,thistaskbecomesparticularly

difficult.Traditionalobjectdetectionmodelsbasedonstandardconvolutionalneural

networks(CNNs)facechallengessuchasdifficultyindeployingonembeddeddevices

andinsufficientperformanceindetectingsmalltrafficsigns.Therefore,thisstudyaimsto

improvethedetectionperformanceofsmalltargettraff