摘要:在交通标志识别应用中，待检测目标多为小目标，易出现漏检、误检等问题。针对这些问题，基于YOLOv8s算法设计了一种改进的交通标志识别算法，FKDS-YOLOv8s。使用FasterBlock重构C2f模块，形成新的轻量化模块C2f-Faster，既提升模型特征提取能力，又降低了计算开销；基于SENet和ResNeXt模型设计一种新的检测头Detect_SR，使模型能够有效地聚焦于小目标的关键特征；融入轻量且高效的动态上采样器DySample，显著减少了GPU内存消耗；通过增加上采样和Prediction输出层次，模型能够捕捉丰富的位置信息，有效解决了YOLOv8s模型在处理小目标时信息不足的问题；引入Shape-IoU损失函数，优化了原CIoU在边框回归中的不足；此外，在Neck部分融入了本文新设计的注意力机制DKN-Attention，在上采样和下采样过程中定位微小物体场景的注意力区域，提升了远处小型交通标志的特征提取和识别能力。实验在中国交通标志数据集TT100K上进行，结果表明，FKDS-YOLOv8s相比基准模型，在查准率（P）、查全率（R）和mAP50上分别提升了5.9%、4.2%和6.3%。较传统方法，FKDS-YOLOv8s在性能上表现出显著优势。

摘要:为了解决交通标志检测中所存在的准确率低、参数量大等问题，本文提出了一种基于YOLOv8s改进的SC-YOLOv8交通标志检测算法。该算法使用下采样Adown模块替换普通下采样Conv,提升模型对目标的感知能力；使用SCConv模块替换C2f中的Bottleneck,设计全新的C2f_SC模块，大幅减少模型参数；通过增加160×160尺度的检测头去除20×20尺度的检测头来改进目标检测层，有效的提高了检测精度；最后使用WIoU损失函数的思想改进MPDIoU,以Wise-MPDIoU替换原CIoU损失函数，缓解了正负样本不平衡的问题。该算法在TT100K交通标志数据集上进行验证，与原模型YOLOv8s进行比较，精确率P提升了4.8%，召回率R提升了6.7%，mAP50提升了6.6%，参数量Params下降了61.5%。证明了所做改进的有效性。

摘要:针对雾霾天气下道路交通标志识别难度大、精确度较低的问题，提出一种基于YOLOv5的雾霾天气交通标志识别模型。首先在YOLOv5原始模型上融入卷积注意力机制，在空间维度和通道维度上进行特征增强，抑制雾霾天气对模型的干扰；然后将BiFPN作为neck层中的特征融合结构,更加充分地融合多尺度特征，减少目标信息丢失；并选用CIoU作为YOLOv5的损失函数提高定位能力；使用K-means聚类算法在TT100K和CODA数据集重新获取锚框值，加快模型收敛速度。实验结果表明，改进后模型识别精度达到92.5%，比YOLOv5提升5.6%，在雾霾天气下仍能准确识别交通标志，速度达27 FPS，能够进行实时检测。

摘要:针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况，提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块，将CNN和Transformer结合，提高了网络对物体局部和全局特征的学习能力；通过添加自适应特征融合金字塔ASFF，对有效特征层进行加权融合，加快了网络训练收敛速度；并采用Focal Loss替换二元交叉熵损失函数，用以解决因样本少导致分类不准确的问题。实验结果表明，相较于YOLOX算法，改进YOLOX算法mAP值提升了2.89%，参数量减少了6.23 M，可视化实验进一步验证了所提算法可以提高检测精度，有效避免因弱光线导致的漏检、错检现象。

摘要:为了解决真实交通场景下交通标志因目标较小而导致检测精度低的问题，提出了一种改进SSD的交通标志检测算法。首先使用更深层次的ResNest网络替换原始SSD算法的主干网络VGG16来增强弱目标特征的强表征能力，然后在SSD的额外添加层使用RFB模块来增加小目标的感受野。其次使用Bi-FPN加权双向特征金字塔网络有效结合深层与浅层的特征信息，改善小目标的检测性能。最后使用K-means++聚类算法调整默认窗口的大小，有效避免因原始默认窗口太大但交通标志较小而无法匹配的问题，以改善检测效率。实验结果表明，本文提出的模型在中国交通标志数据集(CCTSDB)上获得了95.33%的mAP，与原始SSD模型相比，本文所构建的模型能更好的适应自然背景下的交通标志检测。

摘要:针对实际场景中的交通标志大多小而密集，导致小目标交通标志识别准确度较低的问题，提出一种改进YOLOv5算法。首先将CBAM同时嵌入YOLOv5网络的Backbone和Head部分，以提升网络特征提取能力。其次为解决GIoU Loss可能造成的模型收敛速度较慢问题，改用DIoU Loss作为网络回归损失函数。实验结果表明，改进后的算法对于交通标志图像的识别平均准确率达到96.40%，相较于原算法有了6.83%的提升。最后为验证模型的实时可行性，在TX2嵌入式系统中利用本文改进YOLOv5算法对实景视频中的交通标志进行识别，结果表明本文改进算法能在嵌入式系统中流畅运行。

摘要:针对我国自然场景下的交通标志检测误差大、检测速度慢等一系列问题。提出了一种对YOLOv4算法的改进的方法。首先在算法的输入端加入图像增强、图像降噪等处理，然后对算法的检测层进行修改，删除19*19检测层，增加152*152检测层。最后利用K-meansⅡ聚类算法对重建的交通标志数据集进行聚类分析，重新定义网络的初始候选框。实验结果表明，改进后的算法能够在自然场景下准确实时的检测到小交通标志。在以CCTSDB数据集为基础建立的交通标志数据集上取得了96mAP，检测速度为26FPS，比YOLOv4算法分别提高了1.7％和1.4。

摘要:通过前期调研和对基于颜色和形状的交通标志检测方法的MATLAB仿真实验，提出并实现了基于机器学习的交通标志检测方法。由于自然场景下的交通标志往往具有复杂的背景，基于机器学习的交通标志检测方法能够更准确地识别出自然场景下的交通标志。通过Android NDK技术，将C++语言编写的图像处理程序交叉编译生成动态链接库，该动态链接库便可在Android端通过Java程序调用，解决了常用计算机视觉库在Android平台上提供的接口不全、资料不完整导致的无法进行复杂图像处理的问题。实现了将道路交通标志识别算法应用于Android系统平台上，并进行了相关功能测试。