针对无人驾驶中交通标志尺寸小、占据像素点少、特征不明显而带来的检测困难且无法实时识别的问题,提出一种基于Inception?Yolov3(Inc?Yolov3)的目标检测算法.首先从Yolov3的网络结构出发,在其浅层网络处嵌入Inception?redefined module结构,该结构采用多分支的分布方式来增加网络宽度,多尺度卷积核获得不同尺度的感受野信息以及多个1×1卷积的使用大大减少了网络参数;然后将此结构连接到Yolov3的深层网络中,以此融合深层特征与浅层特征,丰富了用于检测小目标的浅层网络的语义信息,进而增强了浅层网络的特征提取能力;其次通过计算物体坐标的宽高比例来消除数据集中无效数据的方法对Yolov3中原始K?means聚类算法进行改进,以获得更加匹配数据集的锚框大小与比例;最后在训练时使用GIOU代替IOU作为坐标损失函数,GIOU具有更加精细的目标尺度并能反映预测框与真实框的各种重叠情况.实验结果表明:与其他经典的检测算法相比,Inc?Yolov3算法在满足实时性的条件下,识别精度更高;在TT100K交通标志数据集上获得了86.1％的准确率.

无人驾驶;交通标志识别;Yolov3算法;特征融合;K-means聚类;目标检测;损失函数

桂林电子科技大学 信息与通信学院,广西 桂林 541004;桂林信息科技学院,广西 桂林 541004;桂林航天工业学院 计算机科学与工程学院,广西 桂林 541004

[1]马新舒;唐欣;陈艳;姚荣彬;李晓欢-.基于Inc-Yolov3的交通标志检测算法)[J].现代电子技术,2022(13):179-186

Yolov3,交通标志检测,无人驾驶,像素点,显而,实时识别,Inception,目标检测算法,redefined,module,多分支,分布方式,多尺度卷积核,不同尺度,感受野,大大减少,网络参数,结构连接,接到,深层网络,深层特征,小目标,语义信息,特征提取能力,宽高比,高比例,除数,means,聚类算法,匹配数,锚框,GIOU,损失函数,标尺,识别精度,TT100K,交通标志识别,特征融合

0.388412