基于深度学习的交通信号灯检测算法的研究与应用.pdfVIP

摘要

在自动驾驶领域中，交通信号灯的检测与识别是自动驾驶系统不可或缺的一

环。对其进行精准且快速的识别能够有效的为自动驾驶车辆提供行驶决策支持，

保障道路交通安全。然而，在当前阶段利用深度学习对交通信号灯的检测识别研

究较少，且现有的研究中大多基于交通信号灯的小目标性，而在实际场景下，交

通信号灯还具有低像素性以及多状态性。本文基于以上思考，以交通信号灯为研

究对象，利用深度学习技术开展了交通信号灯的检测与识别的研究工作，主要研

究内容如下：

（1）针对国内开源数据集标注信息不全且类别信息无法满足实际需求的问

题，在结合国内开源数据集的基础上，融合采集数据，为保证标注质量，对其进

行手工标注。在经数据预处理后，将其分为17个类，制作了新的含32623个标注

信息的交通信号灯数据集MTLD。

（2）提出适用于低像素下交通信号灯小目标检测算法。针对低像素下小目

标检测效果差，样本类别不均衡，易发生漏检、误检等问题，对网络模型做出改

进。首先，由于交通信号灯的低像素性，在颈部网络中，引入SPD模块，提升网

络模型在低像素场景下的检测性能。其次，为解决在检测低分辨率图像时易导致

细节信息丢失的问题，引入PSA极化自注意力机制，能充分利用有效信息，提升

模型的检测精度。最后，针对交通信号灯小目标样本类别不均衡以及框回归准确

2

性问题，采用Focal-CIoU损失函数进一步减少误检漏检率。在STLD数据集上的

实验结果表明，本实验算法的mAP达到95.3%，FPS达到106.38f/s，相比

YOLOv8s基线模型，mAP提升了1%，FPS提升了2.21f/s，能满足低像素下对精

度和实时性的要求。

（3）提出适用于自动驾驶场景下轻量级交通信号灯的多类别检测算法。针

对交通信号灯的多状态性，且交通信号灯在复杂场景和遮挡等情况下易发生漏检

和误检问题，考虑到实际应用中的需求，对网络模型做出改进。首先，结合空间

以及通道之间的冗余信息，在主干中的小目标层引入SCConv模块，增强模型在

复杂场景下的识别能力。其次，基于轻量化考虑，在颈部上采样中引入GSConv

轻量级网络，以提升模型对多类别信息的处理能力。此外，借鉴FPN以及PAN的

思想，设计了不同检测尺度的对比实验，充分提取了可利用的交通信号灯小目标

物体信息。最后，根据不同激活函数的特性，使用Mish激活函数替换原SiLU激

活函数，在其他条件保持不变的情况下，提升了模型的精度性能。在MTLD数据

集上的实验结果表明，本实验算法的mAP50、mAP50-95达到了86.9%、66.3%，

相较于YOLOv8s基线模型，分别提升了11.8%和8.5%，且模型大小以及参数量

分别降低了6.2MB和3.7M。因此，本实验算法在保持实时性的同时，在精度和轻

I

量化之间达到平衡，有效增强了模型对多类别的小目标识别的整体性能。

（4）设计并开发交通信号灯检测与识别系统。在前述算法的基础上，以模

型应用为出发点，设计并实现了交通信号灯检测与识别系统。该系统利用

PySide6中的QtWidgets的界面开发方式对交通信号灯的检测识别进行可视化模块

设计。通过对系统的核心功能以及非核心功能进行了详细的测试，测试验证了该

系统具备一定的实用价值，能应用于自动驾驶场景下的交通信号灯的检测与识别。

关键词：交通信号灯的检测与识别，PSA极化自注意力机制，YOLOv8，轻

量化，PySide6

II

Abstract

Inthefieldofautomaticdriving,thedetectionandrecognitionoftrafficsignalsisan

indispensablepartoftheautomaticdrivingsystem.Accurateandfastr