摘要
交通灯检测作为自动驾驶任务中的关键技术,直接关系到智能汽车的行驶安全。针对交通灯尺度小、环境复杂造成的检测困难问题,提出一种多尺度YOLOv5的交通灯检测方法。首先使用复合数据增强方法对模型输入进行增强处理,增加输入的复杂性;然后设计多尺度代替固定尺度训练,均衡模型的学习能力;最后构建多尺度特征融合网络,将4倍、8倍、16倍和32倍下采样信息融合,建立多尺度检测层。为增强特征融合能力,引入远跳链接传递不同级别信息,直接提升了模型对小目标的检测能力。实验结果证明,在采集的数据集上,改进YOLOv5的检测速度最快可达到9.5ms,mAP达到99.8%,相比YOLOv5提高了17%,在Bosch数据集上,mAP增加了6.5%,实现了对交通灯的实时与高精度检测。
0 引言
近年来,计算机视觉和深度学习的快速发展使很多领域都取得了重大突破