基于图像处理的交通信号辅助识别技术研究.pdf

摘要

在自动驾驶与辅助驾驶技术中，交通信号检测和识别是其中的关键技术之一。

目前在交通信号检测技术中还存在一些不足，例如复杂天气下的数据集不健全，信

号漏检和误检率高，运行算力需求高等。本文在交通信号灯的检测技术基础上开展

进一步研究，通过数据集扩建、网络结构模型改进等方法的研究，提升复杂环境下

交通信号的检测性能，并降低模型在硬件设备上算力需求。主要研究内容如下：

数据集是交通信号检测的基础条件，针对雾天、雨天和夜间环境下的检测数据

缺乏，开展了数据集构建与扩充方法的研究。在车载摄像头实地拍摄和借鉴现有数

据集的基础上建立了基于StableDiffusion扩散模型的复杂环境交通信号数据集扩

充方法。在基础数据集上采用常规数据增强方法，模拟车辆行驶过程中交通信号真

实环境，克服光照变化、相机抖动和视线遮挡等实际驾驶环境中影响因素，提高了

识别成功率。

在复杂背景环境下，小尺寸交通信号目标的检测的漏检和误检率较高，针对漏

检和误检问题，提出了一种基于低通道特征融合增强的检测算法并开展了研究。首

先为了弥补在从浅层到深层传递过程中小目标特征信息的丢失问题，在颈部网络

中引入了低级特征对齐模块，该模块融合了四个低维特征以提取浅层特征信息；其

次将处理后的特征图输入特征信息融合模块，通过多个卷积层进行降维操作，从而

加快了模型运算速度；最后构建了一个信息注入模块，用于将全局特征信息注入不

同局部通道中，提高了局部特征与全局信息之间的联系，增强了模型对复杂场景中

目标的识别能力。

在移动端设备进行交通信号灯检测通常需要较强算力，为了减少算力需求及

提高运行速度，对交通信号检测网络的结构、注意力机制等进行了研究。首先在轻

量化ShuffleNetV2网络结构上，提出了一种基于参数重组结构的轻量化骨干网络，

通过对网络的深度、宽度以及参数数量的优化，减少了检测的算力需求；其次在轻

量化模块后插入ECA通道注意力机制，进一步增强了图像中与交通信号相关的通

道信息；最后采用无锚点方法优化了非极大抑制的处理速度。

在上述研究方法的基础上，开展了与主流算法的对比试验和模块结构的消融

实验。实验结果表明，在YCTL交通信号数据集上与YOLOv5s算法对比，mAP@0.5

提升2.11%，mAP@0.5:0.95提升2.05%，速度提升38frames/s，并且使用Stable

Diffusion扩充数据集的方法有效提升了雾天、雨天和夜间环境下预测模型性能。

关键词：目标检测，小尺寸目标，YOLOv5s，StableDiffusion，交通信号

Abstract

Intherealmofautonomousdrivinganddriverassistancetechnologies,trafficsignal

detectionandrecognitionstandaspivotalcomponents.However,therearestillsome

shortcomingsincurrenttrafficsignaldetectiontechnologies,suchasinadequatedatasets

forcomplexweatherconditions,highratesofmissedandfalsedetections,andhigh

computationalpowerdemands.Thispaperconductsfurtherresearchbasedontraffic

signaldetectiontechnology,aimingtoenhancedetectionperformanceincomplex

environmentsandreducecomputationalrequirementsonhardwaredevicesthrough

methodssuchasdatasetexpansionandnetworkstructuremodelimprovement.Themain

researc