基于深度学习的雾霾天气交通标志识别算法研究.pdfVIP

基于深度学习的雾霾天气交通标志识别算法研究

摘要

随着经济的发展与科技的进步，汽车的持有量逐渐上升，智能驾驶系统的前景愈发

广阔。交通标志识别作为其重要组成部分，可以传递路况信息，引导安全驾驶，保障道

路顺畅通行，对交通标志进行准确识别并迅速作出反应显得尤为重要。但实际道路交通

图像会受到环境中各种因素的影响，尤其是在雾霾天气下，空气中大量的悬浮颗粒干扰

光的传播，极大影响了图像的最终效果，进而导致识别精度下降，无法有效获取道路信

息。针对上述问题，本文对现有的去雾算法进行了分析与改进，并采用卷积神经网络，

对去雾后的图像进行进一步检测，以实现雾霾天气交通标志识别，具有重要的理论意义

和实际应用价值。

首先，针对当前公开的交通标志数据集存在的数据分布不均匀、缺乏雾霾天气图像

等问题，建立雾霾天气交通标志图像数据集，用于目标检测模型训练和测试，使模型对

雾霾天气具有更高的检测精度和针对性。

其次，对现有的去雾算法进行了分析，针对暗通道先验算法无法适用于天空区域、

边缘区域易产生光晕的问题对算法进行了改进，并着重提高了算法的处理速度。采用下

采样减少待处理数据，尽管精度略有下降，但大幅提高了处理速度，符合实时性要求。

将降质图像转化到HSV颜色空间，利用亮度分量进行分割，通过分割结果对大气光值

进行最大值限制，避免天空区域对大气光值求取的干扰。采用导向滤波对粗透射率进行

细化，以较低的时间复杂度平滑边缘细节，实用性更强。

再次，针对现有算法漏检率较高、小目标识别差的问题，对YOLOv5交通标志识别

算法进行了改进。本文基于YOLOv5s原始模型，在主干网络加入ECAnet注意力模块，

该模块参数较少，对模型复杂度的影响不大，但有着明显的性能增益，提高了网络特征

提取能力。将空间金字塔池化层SPP的激活函数和卷积核进行改进，减少参数量。针对

图像中目标大小不一的问题，采用特征金字塔网络BiFPN代替特征融合网络中的PANet

模块，加入跳跃连接，增强算法的多尺度融合能力，同时限制最高下采样倍数，强化小

目标特征。

最后，通过实验验证算法的有效性。将本文改进的去雾算法与目前其他去雾算法进

行对比，实验结果表明本文算法的速度和去雾质量均优于原算法，并且相比其他去雾算

法在保证质量的前提下，速度方面有较大提升，更能满足实时性要求。将本文改进的

YOLOv5算法与原算法进行对比，实验结果表明本算法在识别精度上有较大提升。再将

哈尔滨工程大学专业学位硕士学位论文

改进的去雾算法和YOLOv5算法相结合，完成对雾霾天气交通标志的识别。通过综合实

验验证，分别采用本文算法和其他雾霾天气交通标志识别算法，在建立的数据集上进行

实验，通过识别率等多个评价标准进行对比，验证了本文算法的优越性。

关键词：交通标志识别；图像去雾；深度学习；YOLOv5；数据集

基于深度学习的雾霾天气交通标志识别算法研究

Abstract

Withthedevelopmentoftheeconomyandtheadvancementoftechnology,thenumber

ofautomobileshasgraduallyincreased,andtheprospectsofintelligentdrivingsystemsare

becomingbroader.Asanimportantpartoftheintelligentdrivingsystem,trafficsign

recognitioncanconveyroadconditions,guidesafedriving,ensuresmoothtraffic,and

accuraterecognitionandrapidresponsetotrafficsignsareparticularlyimportant.However,

actualroadtrafficimage