湯科元，劉川莉，蔡樂才，成 奎，張宇杰，高 祥

（1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644002；

2. 宜賓學(xué)院三江人工智能與機(jī)器人研究院，四川 宜賓 644000）

引 言

交通標(biāo)志檢測(cè)是現(xiàn)代智能交通系統(tǒng)中不可或缺的一部分，也是無人駕駛和自動(dòng)駕駛技術(shù)中的重要組成部分。近年來，隨著我國經(jīng)濟(jì)社會(huì)的不斷發(fā)展，全國機(jī)動(dòng)車保有量也不斷上升，道路交通安全狀況和交通堵塞情況日趨嚴(yán)峻［1］。據(jù)不完全統(tǒng)計(jì)，交通事故當(dāng)中絕大多數(shù)案例都是人為因素造成的［2-3］，例如超速、酒后駕駛、疲勞駕駛等，因?yàn)檐囕v和道路因素造成的交通事故則不到事故總數(shù)量的10%。所以近年來輔助駕駛技術(shù)被越來越多地應(yīng)用于實(shí)際生活當(dāng)中［4-5］，無人駕駛和自動(dòng)駕駛技術(shù)也成為許多研究人員和汽車廠商的重要研究領(lǐng)域。而交通標(biāo)志檢測(cè)在無人駕駛技術(shù)中扮演著至關(guān)重要的角色，通過計(jì)算機(jī)視覺技術(shù)對(duì)交通標(biāo)志進(jìn)行檢測(cè)和識(shí)別，并將結(jié)果反饋給駕駛員或者無人駕駛系統(tǒng)，以對(duì)車輛的速度和方向進(jìn)行手動(dòng)或自動(dòng)控制，從而最大程度地避免交通事故的發(fā)生。因此交通標(biāo)志的檢測(cè)具有十分重要的社會(huì)價(jià)值和學(xué)術(shù)意義。

目前已有多種方法可以實(shí)現(xiàn)交通標(biāo)志的檢測(cè)。由于交通標(biāo)志形狀比較規(guī)則，顏色較為單一，所以早期有學(xué)者提出了通過形狀或顏色來檢測(cè)交通標(biāo)志的方法［6］。而且還可以結(jié)合尺度不變特征變換和支持向量機(jī)等方法以提高檢測(cè)率［7］。但現(xiàn)實(shí)情況非常復(fù)雜，當(dāng)交通標(biāo)志與其背景顏色相近或者出現(xiàn)極端天氣的時(shí)候，就容易出現(xiàn)誤檢或者漏檢的情況。近年來隨著人工智能的興起，越來越多的學(xué)者將深度學(xué)習(xí)方法應(yīng)用到交通標(biāo)志檢測(cè)領(lǐng)域。Zhu 等［8］利用CNN 卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別野外環(huán)境下的交通標(biāo)志。Zhang 等［9］提出了一種針對(duì)小號(hào)交通標(biāo)志和惡劣天氣下交通標(biāo)志的檢測(cè)方法，獲得了較高的準(zhǔn)確率，在中國交通標(biāo)志數(shù)據(jù)集（CTSD）與德國交通標(biāo)志檢測(cè)數(shù)據(jù)集（GTSDB）上有著較好的實(shí)時(shí)性和魯棒性。Tabernik 等［10］提出了一種基于R_CNN 網(wǎng)絡(luò)的交通標(biāo)志檢測(cè)算法，錯(cuò)誤率可降低到3% 以下。以上這些學(xué)者所做的研究都是基于深度學(xué)習(xí)的方法，雖然精度相比于傳統(tǒng)方法有著極大的提高，但是網(wǎng)絡(luò)較為復(fù)雜，對(duì)于嵌入式移動(dòng)設(shè)備來說計(jì)算量較大，導(dǎo)致檢測(cè)速度慢，無法滿足實(shí)時(shí)性要求。但是這也從另一個(gè)方面證明了深度學(xué)習(xí)方法在檢測(cè)交通標(biāo)志上的可行性。

針對(duì)嵌入式平臺(tái)運(yùn)算能力不足導(dǎo)致的檢測(cè)速度慢和準(zhǔn)確率低的問題，基于Yolov4-Tiny 模型提出一種改進(jìn)的檢測(cè)算法Deep-Yolov4-tiny，根據(jù)數(shù)據(jù)集和交通標(biāo)志圖像的特征，修改模型的輸入尺度，然后分別將兩個(gè)3 × 3 的卷積層添加到Y(jié)olov4-tiny 模型的第5 個(gè) 和 第9個(gè)卷積層后，與原來的兩個(gè)卷積層重疊，以獲得更多的特征信息［11］。網(wǎng)絡(luò)中添加多個(gè)1 × 1卷積層可以降低計(jì)算復(fù)雜度，提高檢測(cè)速度和實(shí)時(shí)性，使其更加適合于在嵌入式或者移動(dòng)設(shè)備當(dāng)中運(yùn)行。最后，通過K-means 聚類算法優(yōu)化anchor box 的尺寸，改進(jìn)Yolo 層的配置。采用中國交通標(biāo)志檢測(cè)數(shù)據(jù)集（CCTSDB）［12］訓(xùn)練和測(cè)試模型，并與改進(jìn)前的Yolov4-tiny及Yolov3-tiny進(jìn)行對(duì)比測(cè)試，驗(yàn)證Deep-Yolov4-tiny算法在平均正確率、召回率和交并比等評(píng)價(jià)指標(biāo)。

1 Yolov4-tiny網(wǎng)絡(luò)

Yolov4-tiny 算法是在Yolov4 算法［13］的基礎(chǔ)上設(shè)計(jì)的，其網(wǎng)絡(luò)結(jié)構(gòu)更加精簡(jiǎn)，網(wǎng)絡(luò)層數(shù)由162 層減少到了38 層，大幅提高了其目標(biāo)檢測(cè)速度，為此付出的代價(jià)就是在檢測(cè)精度方面有所下降。即便如此，其精度和速度也能夠滿足實(shí)際應(yīng)用的需求，使其可以部署到嵌入式系統(tǒng)或移動(dòng)設(shè)備等運(yùn)算能力不高的設(shè)備當(dāng)中。在交通標(biāo)志檢測(cè)、行人檢測(cè)等應(yīng)用場(chǎng)景具有很高的應(yīng)用價(jià)值。

Yolov4 算法采用CSPDarknet53 網(wǎng)絡(luò)作為其骨干網(wǎng)絡(luò)，相應(yīng)地，Yolov4-tiny 算法使用了CSPDarknet53-tiny網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，以精簡(jiǎn)其網(wǎng)絡(luò)結(jié)構(gòu)。CSPDarknet53-tiny 網(wǎng) 絡(luò) 在CSPNet（Cross Stage Partial Network）中使用了CSPBlock 模塊，而不是殘差網(wǎng)絡(luò)中的ResBlock 模塊。CSPBlock 模塊將特征圖分為兩部分，并通過CSP 殘差網(wǎng)絡(luò)將這兩部分合并，使得梯度信息在兩個(gè)不同的路徑中傳播，以增加梯度信息的相關(guān)性［14］。

與ResBlock 模塊相比，CSPBlock 模塊可以增強(qiáng)卷積網(wǎng)絡(luò)的學(xué)習(xí)能力。雖然計(jì)算量增加了10% ～20%，但其準(zhǔn)確性有了較大提高。 為了減少計(jì)算量，消除原CSPBlock 模塊中具有較高計(jì)算量的計(jì)算瓶頸，在計(jì)算量基本不變甚至減少的情況下，Yolov4-tiny 算法的準(zhǔn)確性得到了進(jìn)一步地提升。

為了進(jìn)一步減少計(jì)算量，提高網(wǎng)絡(luò)的實(shí)時(shí)性，Yolov4-tiny 算法沒有使用Yolov4 中的Mish 函數(shù)作為激活函數(shù)，而是使用了LeakyReLU 函數(shù)作為CSPDarknet53-tiny 網(wǎng)絡(luò)中的激活函數(shù)。LeakyReLU 函數(shù)如下式所示：

其中，ai∈(1, + ∞)，為一常量。

在特征的提取與融合方面，Yolov4-tiny 與Yolov4 也有所不同，Yolov4 算法使用的是SPP（spatial pyramid pooling）和PANet（Path Aggregation Network）進(jìn)行特征提取與融合。SPP 的目的是增加網(wǎng)絡(luò)的感受野，PANet 則縮短了底層尺寸大的特征到高層尺寸小的特征之間的距離，使得特征融合更加有效。Yolov4-tiny 算法使用了特征金字塔網(wǎng)絡(luò)［15］提取具有不同比例的特征圖，以提高目標(biāo)檢測(cè)速度。同時(shí)，其使用兩個(gè)不同的比例特征圖（13 × 13和26 × 26）來預(yù)測(cè)檢測(cè)結(jié)果。Yolov4-tiny網(wǎng)絡(luò) 結(jié)構(gòu)如圖1所示。

圖1 Yolov4-tiny網(wǎng)絡(luò)結(jié)構(gòu)

在進(jìn)行檢測(cè)時(shí)，Yolov4-tiny 算法首先會(huì)調(diào)整輸入圖像的大小，使所有輸入圖像具有相同的尺寸。其次，輸入圖像將被劃分成大小為S × S 的網(wǎng)格，每個(gè)網(wǎng)格將使用B 個(gè)邊界框來檢測(cè)其中所包含的對(duì)象，且所有生成的邊界框會(huì)覆蓋整個(gè)圖像。因此，對(duì)于輸入的一張圖像，將生成S × S × B 個(gè)邊界框，如果圖像中某個(gè)對(duì)象的中心落在某個(gè)網(wǎng)格中，則該網(wǎng)格中的邊界框就可以檢測(cè)該對(duì)象。

Yolov4-tiny 的損失函數(shù)由3 部分構(gòu)成，分別為置信度損失函數(shù)loss1、分類損失函數(shù)loss2和邊界框回歸損失函數(shù)loss3，則損失函數(shù)可用式（2）表示：似性。

2 改進(jìn)的Yolov4-tiny網(wǎng)絡(luò)

其中：K 為特征圖的大小，M 為錨框的數(shù)量，λ 為超參數(shù)，c 為類別，p(c) 代表類別的置信度，IOU 為真實(shí)框與預(yù)測(cè)框的交并比，ρ 表示歐式距離，C 表示真實(shí)框與預(yù)測(cè)框的最小外界矩形的對(duì)角線距離，v 用來度量長寬比的相

由于車載電腦的計(jì)算能力普遍不高，且車輛速度較快，路邊的交通標(biāo)志牌的面積在整個(gè)視野中所占的比例較小，所以攝像頭采集到的畫面有可能很模糊，再加上交通標(biāo)志牌也有不同程度的歪斜和污損，因此對(duì)于交通標(biāo)志的檢測(cè)，研究選用結(jié)構(gòu)簡(jiǎn)單、運(yùn)算復(fù)雜度相對(duì)較低的Yolov4-tiny 模型作為基礎(chǔ)模型來滿足準(zhǔn)確性和實(shí)時(shí)性要求。在Yolov4-tiny的基礎(chǔ)上，修改了模型的輸入圖片的尺寸大小，由原來的416 × 416 改為480 × 480，然后將兩個(gè)3 × 3 的卷積層分別添加到Y(jié)olov4-tiny 模型的第5個(gè)和第9個(gè)卷積層后，與原來的卷積層重疊，增加了模型的深度，可以輸出不同大小和通道的特征圖，再通過Yolo 中的route 層在網(wǎng)絡(luò)的不同位置來連接淺層特征圖和深層特征圖。這是因?yàn)闇\層特征包含更多的細(xì)節(jié)信息，而深層特征包含更多的邊緣信息，通過鏈接就可以使整個(gè)模型獲得更加豐富的特征信息，提高其檢測(cè)的準(zhǔn)確性。除此之外，還將多個(gè)1×1 的卷積層添加到模型中，以降低模型的計(jì)算量。

經(jīng)初步測(cè)試發(fā)現(xiàn)Yolov4-tiny 原始模型對(duì)于CCTSDB 數(shù)據(jù)集的IOU 值并不理想，這是因?yàn)閅olov4-tiny 模型中的初始anchor box 的值是由coco 數(shù)據(jù)集得來的，覆蓋了從小到大不同大小的目標(biāo)，而CCTSDB 數(shù)據(jù)集中的目標(biāo)大多都是小目標(biāo)。針對(duì)這一問題，研究采用K-means 聚類算法對(duì)Yolov4-tiny中的anchor box 尺寸進(jìn)行聚類優(yōu)化，以使其與CCTSDB數(shù)據(jù)集更加匹配。然后再對(duì)第二個(gè)Yolo 層進(jìn)行改進(jìn)，使其充分利用經(jīng)過K-means聚類后的anchor值，便可以更加全面地覆蓋數(shù)據(jù)集中實(shí)際目標(biāo)的大小，從而進(jìn)一步提升Deep-Yolov4-ting 模型的檢測(cè)準(zhǔn)確率。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)后的Yolov4-tiny網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與算法對(duì)比

3.1 數(shù)據(jù)集

中國的交通標(biāo)志主要分為主標(biāo)志和輔助標(biāo)志兩大類，輔助標(biāo)志一般設(shè)在主標(biāo)志下，起輔助說明的作用。其中主標(biāo)志可以分為6 類，分別是警告標(biāo)志、禁令標(biāo)志、指示標(biāo)志、指路標(biāo)志、旅游區(qū)標(biāo)志和道路施工安全標(biāo)志。在主標(biāo)志中又以警告標(biāo)志、禁令標(biāo)志和指示標(biāo)志最為常見。每一類交通標(biāo)志都有著統(tǒng)一的設(shè)計(jì)語言，警告標(biāo)志為黃底、黑邊、黑圖案，形狀為頂角朝上的等邊三角形。禁令標(biāo)志除個(gè)別特殊情況外，顏色為白底、紅圈、紅杠，黑圖案，圖案壓杠，形狀為圓形、八角形、頂角朝下的等邊三角形。指示標(biāo)志為藍(lán)底、白圖案，形狀分為圓形、長方形和正方形。3類常見的交通標(biāo)志如圖3所示。

圖3 常見的3類交通標(biāo)志

研究所用的數(shù)據(jù)集選自中國交通標(biāo)志檢測(cè)數(shù)據(jù)集（CCTSDB）［12］，此數(shù)據(jù)集由長沙理工大學(xué)綜合交通運(yùn)輸大數(shù)據(jù)智能處理湖南省重點(diǎn)實(shí)驗(yàn)室張建明老師團(tuán)隊(duì)制作，一共包含圖像15 724 張，研究選取9000 張涵蓋了不同類型、大小、角度、光照條件和破損程度的交通標(biāo)志圖像作為數(shù)據(jù)集（圖4），涵蓋了真實(shí)情況下的大多數(shù)路況，可以客觀地反映現(xiàn)實(shí)條件下交通標(biāo)志的情況，該數(shù)據(jù)集也分為指示標(biāo)志、禁止標(biāo)志、警告標(biāo)志3大類。

圖4 部分?jǐn)?shù)據(jù)集圖片

為減少代碼的重寫量，使用批處理腳本對(duì)數(shù)據(jù)集圖片的命名格式和GroundTruth 進(jìn)行了修改，以符合DarkNet框架對(duì)數(shù)據(jù)集的格式要求。

數(shù)據(jù)集的分配情況見表1。

表1 數(shù)據(jù)集分配情況

3.2 網(wǎng)絡(luò)訓(xùn)練

實(shí)驗(yàn)平臺(tái)硬件配置見表2。

表2 實(shí)驗(yàn)平臺(tái)硬件配置

研究所用平臺(tái)軟件為Ubuntu18.04 TLS，訓(xùn)練所用的深度學(xué)習(xí)框架為DarkNet。訓(xùn)練過程中對(duì)網(wǎng)絡(luò)設(shè)定的超參數(shù)見表3。

表3 部分超參數(shù)設(shè)置

設(shè)定好訓(xùn)練參數(shù)后，從零開始訓(xùn)練所提出的Deep-Yolov4-tiny 模型。為了增大訓(xùn)練樣本，提高模型的魯棒性，在訓(xùn)練的過程中通過將圖片隨機(jī)旋轉(zhuǎn)角度、隨機(jī)調(diào)整飽和度、曝光度、色調(diào)等方法，增加更多的樣本數(shù)。模型訓(xùn)練的loss 曲線如圖5 所示。從圖5 可以看出，在訓(xùn)練后期，模型的loss 值基本穩(wěn)定在0.1 左右，誤差較小。使用同樣的數(shù)據(jù)集，設(shè)定同樣的訓(xùn)練參數(shù)，在同樣的平臺(tái)上對(duì)改進(jìn)前的Yolov4-tiny和Yolov3-tiny進(jìn)行訓(xùn)練，然后與Deep-Yolov4-tiny算法進(jìn)行對(duì)比。

圖5 模型損失曲線

3.3 算法對(duì)比

使用在相同條件下訓(xùn)練好的Yolov3-tiny 和改進(jìn)前的Yolov4-tiny 與Deep-Yolov4-tiny 進(jìn)行對(duì)比測(cè)試。先從測(cè)試樣本中選取5 張可以代表不同環(huán)境下的圖像，檢測(cè)難度依次增加，將其記為1 號(hào)圖片、2 號(hào)圖片、3 號(hào)圖片、4號(hào)圖片與5號(hào)圖片，分別用上述3種算法進(jìn)行測(cè)試。

3.3.1 單個(gè)標(biāo)志目標(biāo)清晰

首先用3 種算法對(duì)最清晰明了的1 號(hào)圖片進(jìn)行測(cè)試，結(jié)果如圖6所示。

圖6 不同算法對(duì)1號(hào)圖片檢測(cè)結(jié)果

從圖6 可看出，標(biāo)志在圖片中目標(biāo)較大，且較為清晰的情況下，3 種算法都能夠準(zhǔn)確快速地檢測(cè)出該交通標(biāo)志為禁令標(biāo)志，圖6（b）、6（c）、6（d）3圖檢測(cè)結(jié)果置信度均為99%。

3.3.2 標(biāo)志較小且模糊

當(dāng)標(biāo)志較小且較模糊的時(shí)候，算法對(duì)其識(shí)別難度將會(huì)增大。為了測(cè)試識(shí)別能力，采用3 種算法對(duì)2 號(hào)圖片進(jìn)行了測(cè)試，結(jié)果如圖7所示。

圖7 不同處理后2號(hào)圖片檢測(cè)結(jié)果

從圖7可以看出，Yolov3-tiny沒有識(shí)別出任何目標(biāo)，Yolov4-tiny和本文算法Deep-Yolov4-tiny則能夠成功地檢測(cè)出圖中交通標(biāo)志為指示標(biāo)志，但是Yolov4-tiny識(shí)別結(jié)果的置信度為47%，而Deep-Yolov4-tiny 算法識(shí)別結(jié)果的置信度為99%，可見Deep-Yolov4-tiny 算法的識(shí)別準(zhǔn)確率相比原算法有一定提升。

3.3.3 多個(gè)標(biāo)志且較小

對(duì)于有多個(gè)較小的交通標(biāo)志信號(hào)，特別是存在干擾的條件下，測(cè)試3 種算法能否準(zhǔn)確檢測(cè)出目標(biāo)結(jié)果如圖8所示。

圖8 不同算法對(duì)3號(hào)圖片檢測(cè)結(jié)果

從圖8 可看出，3 號(hào)圖片中有多個(gè)較小的交通標(biāo)志，其中有一個(gè)是一塊交通標(biāo)志牌的背面，反光較為嚴(yán)重，為一干擾目標(biāo)。Yolov3-tiny 正確地檢測(cè)出了其中一個(gè)禁令標(biāo)志，置信度為94%。Yolov4-tiny 檢測(cè)出了兩個(gè)禁令標(biāo)志，其中一個(gè)為正確檢測(cè)，置信度為92%，另一個(gè)錯(cuò)誤地將干擾目標(biāo)檢測(cè)為禁令標(biāo)志。Deep-Yolov4-tiny算法則正確地檢測(cè)出了兩個(gè)禁令標(biāo)志，置信度分別為51%和36%。

3.3.4 多個(gè)標(biāo)志且較模糊

從圖9 可看出，4 號(hào)圖片中出現(xiàn)了兩個(gè)交通標(biāo)志，均為指示標(biāo)志。Yolov3-tiny 和Yolov4-tiny 都只正確地檢測(cè)出了其中一個(gè)較大且較為清晰的目標(biāo)，置信度分別為98% 和96%，而Deep-Yolov4-tiny 算法則成功地檢測(cè)出了兩個(gè)目標(biāo)，置信度為88%和94%。

圖9 不同算法對(duì)4號(hào)圖片檢測(cè)結(jié)果

3.3.5 標(biāo)志較小且較模糊

從圖10 中可以看出，在光線較暗、目標(biāo)很小且存在多個(gè)目標(biāo)的極端條件下（5 號(hào)圖片），Yolov3-tiny 和Yolov4-tiny 都無法檢測(cè)出目標(biāo)，而Deep-Yolov4-tiny 算法則成功地檢測(cè)出了其中一個(gè)目標(biāo)為禁令標(biāo)志，置信度為76%?？梢奃eep-Yolov4-tiny算法在面對(duì)相對(duì)極端的環(huán)境時(shí)，仍然能夠檢測(cè)出目標(biāo)，雖然沒有做到全部正確檢出，但是相較于其他兩種算法，有著較好的魯棒性。

圖10 不同算法對(duì)5號(hào)圖片檢測(cè)結(jié)果

由以上測(cè)試結(jié)果可以看出，Deep-Yolov4-tiny 算法在檢測(cè)能力和檢測(cè)的準(zhǔn)確度方面都優(yōu)于現(xiàn)有的Yolov3-tiny 和Yolov4-tiny，證明Deep-Yolov4-tiny 在原算法上所做的改進(jìn)是有效的。

3.4 算法有效性分析

為了更加直觀地驗(yàn)證Deep-Yolov4-tiny算法的有效性，采 用mAP（Mean Average Precision）、召 回 率R（Recall）、IOU 和檢測(cè)速度4 個(gè)評(píng)價(jià)指標(biāo)來驗(yàn)證Deep-Yolov4-tiny 算法的效果。其中mAP 是指各個(gè)類別的AP平均值，可由式（6）表示：

其中：AP 則是指平均精確度，其值為P-R 曲線下的面積。精確度P可由式（7）表示：的樣本，F(xiàn)P（false positive）表示被預(yù)測(cè)為正而實(shí)際為負(fù)的樣本，F(xiàn)N（False negative）表示被預(yù)測(cè)為負(fù)而實(shí)際為正的樣本［16］。召回率R 表示的是正確預(yù)測(cè)的正樣本數(shù)占真實(shí)正樣本總數(shù)的比值。

檢測(cè)速度也是評(píng)價(jià)目標(biāo)檢測(cè)模型的重要指標(biāo)之一，它指的是模型每秒能夠處理的幀數(shù)，用來評(píng)價(jià)模型的實(shí)時(shí)性，單位為FPS。在同等條件下，檢測(cè)速度越快，證明模型性能越好，越有利于部署在嵌入式系統(tǒng)和移動(dòng)設(shè)備當(dāng)中。

將訓(xùn)練好的模型設(shè)置為測(cè)試模式，以上述4 個(gè)評(píng)價(jià)指標(biāo)對(duì)訓(xùn)練好的3 種算法在研究所用的數(shù)據(jù)集上進(jìn)行測(cè)試，得到測(cè)試結(jié)果見表4。

表4 測(cè)試結(jié)果對(duì)比

其中：TP（true positive）表示預(yù)測(cè)結(jié)果為正而實(shí)際為正

從表4 可知，Deep-Yolov4-tiny 算法在mAP、R 和IOU 等方面都領(lǐng)先于現(xiàn)有算法。得益于Yolov4-tiny 網(wǎng)絡(luò)結(jié)構(gòu)的精簡(jiǎn)，在相同測(cè)試條件下Yolov4-tiny算法的檢測(cè)速度與Yolov4 相比提升8 倍，在1080Ti 顯卡上，其檢測(cè)速度可達(dá)371FPS［17］，而本文算法Deep-Yolov4-tiny在檢測(cè)速度上與Yolov4-tiny 不相上下。因此從測(cè)試結(jié)果來看，Deep-Yolov4-tiny 算法能夠滿足部署在嵌入式設(shè)備上的使用要求。

4 結(jié)束語

根據(jù)交通標(biāo)志的特點(diǎn)和在行車過程中檢測(cè)交通標(biāo)志的難點(diǎn)，在Yolov4-tiny算法的基礎(chǔ)上有針對(duì)性地進(jìn)行改進(jìn)，提出了一種改進(jìn)的交通標(biāo)志檢測(cè)算法Deep-Yolov4-tiny，實(shí)現(xiàn)了對(duì)交通標(biāo)志快速、準(zhǔn)確地檢測(cè)。改進(jìn)后的算法在原算法的基礎(chǔ)上增大了輸入尺度，修改了網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，利用K-means聚類算法優(yōu)化了anchor box尺寸。實(shí)驗(yàn)采用公開的CCTSDB數(shù)據(jù)集對(duì)改進(jìn)后的算法進(jìn)行訓(xùn)練和測(cè)試，并使用相同的數(shù)據(jù)集，在相同的實(shí)驗(yàn)平臺(tái)上對(duì)改進(jìn)前的Yolov4-tiny、Yolov3-tiny 等算法進(jìn)行了訓(xùn)練和測(cè)試。結(jié)果表明，Deep-Yolov4-tiny 算法相較于Yolov4-tiny 算法，在檢測(cè)準(zhǔn)確性上有較大提升，實(shí)時(shí)性也能夠滿足要求，更加有利于應(yīng)用在嵌入式設(shè)備和移動(dòng)設(shè)備等運(yùn)算能力不強(qiáng)的設(shè)備當(dāng)中，這對(duì)于提高行車安全和推動(dòng)無人駕駛技術(shù)的發(fā)展有著一定的現(xiàn)實(shí)意義。