文献类型：期刊文章

作　　者：邵叶秦[1] 周昆阳[2] 郑泽斌[2] 向阳[2] 唐宇亮[1] 施佺[1]

SHAO Yeqin;ZHOU Kunyang;ZHENG Zebin;XIANG Yang;TANG Yuliang;SHI Quan(School of Transportation and Civil Engineering,Nantong University,Nantong 226019,China;School of Zhang Jian,Nantong University,Nantong 226019,China)

机构地区：[1]南通大学交通与土木工程学院,江苏南通226019 [2]南通大学张謇学院,江苏南通226019

出　　处：《南通大学学报（自然科学版）》

基　　金：国家自然科学基金面上项目(61671255);国家级大学生创新训练计划项目(202110304050Z,202110304047Z);江苏省大学生创新训练计划项目(201910304158H,202010304180H,202010304122Y);南通市科技计划项目(MS12020078)。

年　　份：2021

卷　　号：20

期　　号：3

起止页码：34-40

语　　种：中文

收录情况：CAS、IC、普通刊

摘　　要：交通信号灯的准确检测与识别可以提高驾驶的安全性,减少交通事故的发生。为了提高移动端识别的准确率和速度,提出一种改进的轻量级YOLOv3模型实现交通信号灯的检测与识别。首先,采用轻量级的ShuffleNetv2网络替换YOLOv3的主干网络DarkNet53,实现交通信号灯的快速检测与识别;接着,融合ShuffleNetv2网络中的低、中、高层特征组成最终的高层输出特征,以丰富交通信号灯的特征表示;最后,基于多尺度的检测和结果融合,完成交通信号灯的准确检测与识别。实验证明,本文提出的轻量级YOLOv3模型应用于交通信号灯公开数据集LaRa时,平均精度均值达到87.21%,漏检率仅为6.24%。与其他轻量级YOLOv3模型相比,本文的模型也有着更高的平均精度均值和更低的漏检率,并且模型大小仅为YOLOv3的1/8,检测速度却是YOLOv3的3倍。

关 键 词：交通信号灯 检测  识别  YOLOv3  轻量级

分 类 号：TP391.41]