文献类型：期刊文章

作　　者：刘胜[1] 马社祥[1] 孟鑫[2] 李啸[3]

Liu Sheng;Ma Shexiang;Meng Xin;Li Xiao(School of Electrical and Electronic Engineering,Tianjin University of Technology,Tianjin 300384,China;TUT Maritime College,Tianjin University of Technology,Tianjin 300384,China;School of Computer Science and Engineering,Tianjin University of Technology,Tianjin 300384,China)

机构地区：[1]天津理工大学电气电子工程学院,天津300384 [2]天津理工大学海运学院,天津300384 [3]天津理工大学计算机科学与工程学院,天津300384

出　　处：《计算机应用与软件》

基　　金：国家自然科学基金项目(61601326,61371108)。

年　　份：2021

卷　　号：38

期　　号：2

起止页码：158-164

语　　种：中文

收录情况：BDHX、BDHX2020、IC、JST、ZGKJHX、核心刊

摘　　要：传统交通标志检测方法检测速度慢,且现有深度神经网络对小尺寸交通标志检测精度低。对此提出一个基于YOLOv3的新型端到端卷积神经网络。以YOLOv3为检测框架,对特征提取网络和特征融合网络加以改进,并应用K-means聚类算法生成更适合交通标志的锚点框。充分利用多尺度特征实现了对小尺寸交通标志检测性能的提升。在TT100K (Tsinghua-Tencent 100K)和GTSDB (German Traffic Sign Detection Benchmark)交通标志数据集上进行实验,获得的mAP分别为82.73%和92.66%,运行时间分别为0.037 s和0.033 s。实验结果验证了改进网络的有效性,表明了改进网络的整体性能优于其他检测方法。

关 键 词：交通标志检测 YOLOv3  特征提取 特征融合  

分 类 号：TP3[计算机类]