周鈺如 厲丹 肖辰禹 趙子龍

摘要：為了防止駕駛員因極端天氣、照明條件不良、交通標志破損等原因誤判或漏判道路交通標志而引發(fā)嚴重交通事故，以及促進智能汽車和無人駕駛技術(shù)的發(fā)展，提出一種基于YOLOv5算法的交通標志識別系統(tǒng)。YOLOv5在YOLOv4算法的基礎(chǔ)上進行了檢測性能提升的改進，其在目標檢測方面的精度和速度都有極大的提升。實驗在原有數(shù)據(jù)集的基礎(chǔ)上還對圖像進行了曝光、暗化、霧化、模糊等處理，以盡可能還原真實道路情況。實驗采用Make Sense在線標注工具對數(shù)據(jù)集進行標注，在AutoDL品質(zhì)GPU租用平臺租賃GeForce RTX 3090對數(shù)據(jù)集進行訓(xùn)練。

關(guān)鍵詞：無人駕駛;YOLOv5;交通標志識別

中圖分類號：TP183? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）19-0097-03

1 引言

近年來，目標檢測技術(shù)在無人駕駛上的應(yīng)用得到了長足的發(fā)展，交通標志識別系統(tǒng)應(yīng)運而生。但是，在汽車行駛過程中常會遇到交通標志殘缺和極端天氣影響的情況，這就對交通標志識別系統(tǒng)的精度提出了較高的要求。

當(dāng)前目標檢測的主流算法框架大致分為One-stage與Two-stage。Two-stage算法代表的有R-CNN系列，例如傳統(tǒng)的Faster R-CNN算法;One-stage算法代表的有YOLO系列。傳統(tǒng)的Two-stage算法是輸入圖像后，先經(jīng)過候選框生成網(wǎng)絡(luò)，再經(jīng)過分類網(wǎng)絡(luò)，而本文的交通標志識別系統(tǒng)是基于YOLOv5算法實現(xiàn)的，其候選框生成與分類是同時執(zhí)行的，輸入圖像只經(jīng)過一個網(wǎng)絡(luò)，生成的結(jié)果中同時包含位置與類別信息。相比之下YOLO算法避免了計算量大，運算速度較慢的問題，同時還具有學(xué)到的圖片特征更為通用，能基于整張圖片信息進行預(yù)測的優(yōu)點。

目前，現(xiàn)有的交通標志識別方法有基于改進的Fast R-CNN模型識別[1]、基于改進的Mark R-CNN模型識別[2]、基于多尺度卷積神經(jīng)網(wǎng)絡(luò)識別[3]、基于YOLOv4模型識別等[4]。在此技術(shù)基礎(chǔ)上，筆者希望實現(xiàn)一個能夠識別較多、較全面的交通標志識別系統(tǒng)。該系統(tǒng)基于YOLOv5實現(xiàn)，旨在應(yīng)用于無人駕駛汽車和輔助駕駛系統(tǒng)，提高無人駕駛汽車的可靠性與安全性，對于普通汽車的駕駛員來說，能夠在不良行車環(huán)境下給予前方交通標志的提示，以提高行車安全性。此外，該系統(tǒng)亦可應(yīng)用于智能導(dǎo)航系統(tǒng)，將交通標志識別結(jié)果上傳至導(dǎo)航系統(tǒng)中，進行數(shù)據(jù)比較，結(jié)合地圖信息、車輛定位以及實時交通信息，以糾正導(dǎo)航路線偏差。在交通標志的維護方面本系統(tǒng)亦能起到重要作用，交通標志常出現(xiàn)褪色、變形等問題，應(yīng)用TSR 技術(shù)，可監(jiān)控相應(yīng)路段交通標志的可用性，減少人力與時間的投入[5]。

整個交通標志識別系統(tǒng)過程如圖1所示。

2 YOLOv5算法簡介

YOLO是一種具備實時性和準確性特點的One-stage目標檢測算法。簡單來說，YOLO算法的核心思想是將物體檢測問題處理為回歸問題，用一個卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)從輸入圖像直接預(yù)測物體的位置信息和類別。YOLOv5算法和上一代相比主要在檢測性能方面進行了提升，優(yōu)化了數(shù)據(jù)集的測試效果，在訓(xùn)練速度和精度都得到了極大的性能提升。

YOLOv5目標檢測算法的整體框圖如圖2所示。

YOLOv5通常可以劃分為四個通用模塊：輸入端、基準網(wǎng)絡(luò)、Neck網(wǎng)絡(luò)和Head輸出端。

輸入端模塊即輸入的圖像或視頻。該模塊包含一個圖像預(yù)處理階段，用于將圖像縮放到608*608的大小，并進行歸一化等操作。而YOLO算法原始的縮放方法存在由于圖片長寬比不同，縮放填充后兩端黑邊大小不相同甚至填充過多的問題，但在YOLOv5算法中提出了一種自適應(yīng)圖片縮放的方法，添加最少的黑邊到圖片中，大大提升了算法的推理速度。YOLOv5還具有自適應(yīng)錨點框功能，每次訓(xùn)練時根據(jù)數(shù)據(jù)集的名稱自適應(yīng)地計算出最佳錨點框的位置并標出。

基準網(wǎng)絡(luò)模塊用來從輸入的圖像中提取一些信息特征，在YOLOv5算法中使用了CSPDarknet53結(jié)構(gòu)和Focus結(jié)構(gòu)作為基準網(wǎng)絡(luò)。其中Focus結(jié)構(gòu)[6]主要思想是通過slice操作來對輸入的圖像進行剪裁，將默認的640*640*3大小圖片先復(fù)制四份，通過slice和concat操作輸出320*320*12的特征映射。接著經(jīng)過卷積核數(shù)為64的卷積層，生成一個320*320*64的輸出。

Neck網(wǎng)絡(luò)模塊主要用于生成特征金字塔，是一系列混合和組合圖像特征的網(wǎng)絡(luò)層，進一步提升了特征的多樣性。YOLOv5中的Neck網(wǎng)絡(luò)采用了FPN+PAN結(jié)構(gòu)，將原來YOLOv4中的Neck結(jié)構(gòu)采用的普通卷積操作改進為CSP2結(jié)構(gòu)，加強了網(wǎng)絡(luò)特征融合能力。

Head輸出端用于最終檢測部分輸出目標檢測結(jié)果，通常包含一個分類分支和一個回歸分支。其中IoU_Loss函數(shù)用于處理它們之間的重疊面積。但是當(dāng)預(yù)測框和GT框不相交時無法反映兩個框之間的距離損失函數(shù)不可導(dǎo)，或者當(dāng)兩個預(yù)測框大小相等時函數(shù)無法區(qū)分兩者相交。為了解決這兩個問題，采用了GIOU_Loss函數(shù)[7]，增加了相交尺度的衡量方式解決邊界框不重合時的問題。DIOU_Loss函數(shù)用于處理最小化預(yù)測框和GT框之間的歸一化距離。CIOU_Loss函數(shù)在此基礎(chǔ)上又考慮了邊界框?qū)捀弑鹊某叨刃畔?。具體計算方法如下。

[CIOU_Loss=1-CIOU=1-（IOU-Distance_22Distance_C2-v21-（IOU）+v）v=4π2（arctanWgthgt-arctanWphp）2]（1）

3 實驗過程

3.1 實驗數(shù)據(jù)集的收集

本文的數(shù)據(jù)集是通過網(wǎng)上采集真實街景圖像以及道路拍攝采集，數(shù)量龐大、內(nèi)容信息豐富，包括雨霧天氣、低曝、過曝、被遮擋、圖像模糊的情況。如圖所示。數(shù)據(jù)集中共包含80種交通標志，包括29種禁令標志、21種警告標志、20種指示標志和10種指路標志，一共7000余張測試圖像。另外我們還對部分圖像進行人工處理，例如曝光、暗化、模糊、霧化等，使其更接近于真實的道路狀況。數(shù)據(jù)集的標注采用Make Sense在線標注工具。

3.2 進行識別

在行駛過程中，交通標志識別系統(tǒng)通過對前方道路出現(xiàn)的交通標志圖像進行采集，識別出畫面上出現(xiàn)的交通標志圖像并標出位置。矩形、圓形和三角形是道路上交通標志的主要形狀類別，形狀特征相對穩(wěn)定，不會出現(xiàn)像顏色那樣因光照不同而呈現(xiàn)出不同色域的問題，所以我們利用標志形狀不易受光照影響的特點，通過搜索形狀特點來檢測是否為交通標志。識別后的圖像上若存在交通標志則該標志會被錨點框框出，錨點框上方會顯示該交通標志的名稱以及識別的置信度，以此完成識別。

3.3 系統(tǒng)訓(xùn)練

將數(shù)據(jù)集里的圖像導(dǎo)入模型并訓(xùn)練。訓(xùn)練過程中會生成best.pt文件和last.pt文件，分別表示當(dāng)前最好的模型和當(dāng)前訓(xùn)練出的最新的模型。我們選用best.pt模型對圖像進行測試識別。訓(xùn)練集數(shù)據(jù)量越多，識別精確度越高。而訓(xùn)練次數(shù)過多則會出現(xiàn)過擬合，精確度會下降。

3.4 輸出識別結(jié)果

在普通條件下，模型能檢測出大部分標志，部分標志由于體型較小、距離較遠而存在漏檢和錯檢。比較不同條件下的識別結(jié)果，原始圖像與經(jīng)曝光后的圖像識別準確度最高，經(jīng)霧化處理后的圖像和經(jīng)暗化處理后的圖像較前兩種情況而言準確度較低。由此得出，光照差別對交通標志識別的準確率存在影響。

另一個對交通標志識別準確率產(chǎn)生影響的地方是訓(xùn)練的交通標志種類數(shù)量。在我們的實驗中，我們將80種不同的交通標志作為識別對象，其中不乏極為相似的交通標志圖案，比如禁止非機動車駛?cè)牒徒鼓ν熊囻側(cè)耄勾笮涂蛙囻側(cè)牒徒馆d貨汽車駛?cè)?，T型交叉路口和注意合流等，標志的圖案都極相似，為識別增添了不小的困難。我們的數(shù)據(jù)集中還包括一些不太常見的交通標志，比如注意潮汐車道、路面高凸等這些其他實驗中不包含的種類，由于難以尋找，所以這幾種交通標志種類的實例數(shù)量在15個左右，網(wǎng)絡(luò)無法完全學(xué)習(xí)該交通標志的特征，后來我們又對其擴充至30余個。同時，部分交通標志種類的實例數(shù)量過多，例如限制速度等，以致模型把其他圖像識別成這類實例數(shù)較多的交通標志。這也導(dǎo)致了部分種類交通標志識別精度不高。而雷蕾[8]等人的實驗則采用TT100K數(shù)據(jù)集，該數(shù)據(jù)集是由清華大學(xué)和騰訊實驗室聯(lián)合發(fā)布的，包含30000個交通標志實例約9000張圖像，而他們的交通標志類別只有45個，但實例數(shù)均大于50個。尹靖涵[9]等人的實驗從TT100K中選取了25種常見的交通標志進行識別，故可以得到較高的識別精度。

將識別結(jié)果輸出，如圖4所示。

4 基于YOLOv5算法的交通標志識別系統(tǒng)

交通標志識別系統(tǒng)是在汽車行駛時對前方道路畫面中出現(xiàn)的交通標志圖像進行定位并準確分類的系統(tǒng)。系統(tǒng)初始界面分為左右兩塊，如圖5（左）所示，左側(cè)為控制面板，右側(cè)為圖像顯示模塊，控制面板中包括打開、更改存儲路徑、識別、關(guān)閉和關(guān)于按鈕，圖像顯示模塊包括原圖像和識別完成的結(jié)果圖像，如圖5（右）所示。

在文件輸入模式中本系統(tǒng)提供了單文件和文件夾兩種輸入方式，為用戶對單個樣本或批處理提供了通道。選定通道后用戶單擊打開按鈕即可選定單個圖片，視頻或者整個文件夾，在選擇單個圖片并且成功打開時，將會同時在識別前區(qū)域展示圖像。點擊識別按鈕，系統(tǒng)便會對用戶的輸入進行識別并且會在識別后區(qū)域顯示識別結(jié)果，識別后的圖像會被同步保存到用戶指定的存儲路徑。若選擇文件夾通道，系統(tǒng)則會對文件夾內(nèi)所有目標圖像進行批處理。點擊關(guān)閉按鈕系統(tǒng)將關(guān)閉相應(yīng)圖像，恢復(fù)到初始界面。點擊關(guān)于按鈕，將彈出有關(guān)本系統(tǒng)的簡略說明。本系統(tǒng)同時還為用戶提供了置信度閾值設(shè)置界面，用戶可根據(jù)自身對置信度的要求修改置信度閾值，以應(yīng)對不同用戶對于識別精確度的不同需求。

5 總結(jié)

本文提出一種基于YOLOv5算法實現(xiàn)的交通標志圖像識別系統(tǒng)，實現(xiàn)不同環(huán)境下圖像或者視頻中交通標志的識別。文中介紹了數(shù)據(jù)集的采集和處理，模型的訓(xùn)練以及系統(tǒng)的功能和使用。同時指出實驗中遇到的問題和存在的不足。在訓(xùn)練數(shù)據(jù)集的過程中需要注意迭代次數(shù)不能過多，在實驗過程中就出現(xiàn)了因迭代次數(shù)過多而過擬合從而導(dǎo)致訓(xùn)練模型精度下降的現(xiàn)象，后來經(jīng)過調(diào)整迭代次數(shù)，識別精度又回歸正常。下一步筆者將繼續(xù)擴大數(shù)據(jù)集中交通標志種類的數(shù)量，主要增添不常見的、數(shù)據(jù)集中實例較少的交通標志種類實例，以及增加其他極端情況下的圖像，從而進一步提高訓(xùn)練精度。另外對已有的基于深度學(xué)習(xí)的各模型與各優(yōu)化算法進行優(yōu)化研究，并探尋兩者之間更好的融合方式，以達到更高的識別準確率，使之更為適應(yīng)現(xiàn)實道路情況。

參考文獻：

[1] 馬佳良，陳斌，孫曉飛.基于改進的Faster R-CNN的通用目標檢測框架[J].計算機應(yīng)用，2021，41（9）：2712-2719.

[2] 伍錫如，邱濤濤，王耀南.改進Mask R-CNN的交通場景多目標快速檢測與分割[J].儀器儀表學(xué)報，2021，42（7）：242-249.

[3] 尉天成，陳小鋒，殷元亮.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的道路交通標志識別方法研究[J].西北工業(yè)大學(xué)學(xué)報，2021，39（4）：891-900.

[4] 陳夢濤，余粟.基于改進YOLOV4模型的交通標志識別研究[J].微電子學(xué)與計算機，2022，39（1）：17-25.

[5] 馬健，張敏，張麗巖，等.交通標志識別系統(tǒng)研究綜述[J].物流科技，2021，44（10）：69-74.

[6] 楊曉玲，江偉欣，袁浩然.基于yolov5的交通標志識別檢測[J].信息技術(shù)與信息化，2021（4）：28-30.

[7] 鄒承明，薛榕剛.融合GIoU和Focal loss的YOLOv3目標檢測算法[J].計算機工程與應(yīng)用，2020，56（24）：214-222.

[8] 雷蕾，方睿，徐銘美，等.基于YOLO的交通標志檢測算法[J].現(xiàn)代計算機，2021，27（24）：93-99.

[9] 尹靖涵，瞿紹軍，姚澤楷，等.基于YOLOv5的霧霾天氣下交通標志識別模型[J/OL].計算機應(yīng)用：1-10[2021-10-31].http：//kns.cnki.net/kcms/detail/51.1307.TP.20210917.1616.008.html.

收稿日期：2022-02-25

基金項目：徐州工程學(xué)院省一般大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（項目編號：xcx2021317）

作者簡介：周鈺如（2000—），女，江蘇泰州人，本科;厲丹（1981—），女，江蘇徐州人，副教授，博士，主要研究方向為數(shù)據(jù)挖掘;肖辰禹（2001—），男，江蘇無錫人，本科;趙子龍（2001—），男，江蘇淮安人，本科。