弱光照条件下交通标志检测与识别.pdf_大学文库

工程科学学报.第42卷.第8期：1074-1084.2020年8月 Chinese Journal of Engineering,Vol.42,No.8:1074-1084,August 2020 https://doi.org/10.13374/j.issn2095-9389.2019.08.14.003;http://cje.ustb.edu.cn 弱光照条件下交通标志检测与识别赵坤，刘立，孟宇⑧，孙若灿北京科技大学机械工程学院，北京100083 ☒通信作者.E-mail:myu@ustb.edu.cn 摘要针对弱光照条件下交通标志易发生漏检和定位不准的问题.本文提出了增强YOLOv3(You only look once)检测算法，一种实时自适应图像增强与优化YOLO3网络结合的交通标志检测与识别方法.首先构建了大型复杂光照中国交通标志数据集；然后针对复杂的弱光照图像提出自适应增强算法，通过调整图像亮度和对比度强化交通标志与背景之间的差异；最后采用YOLO3网络框架检测交通标志.为了降低先验锚点框设置精度以及图像中背景与前景比例严重失衡对检测精度造成的影响，优化了先验锚点框聚类算法和网络的损失函数.对比实验结果表明.在实时性大致相当的情况下，本文提出的增强YOLOv3检测算法较标准YOLO3算法对交通标志有更高的回归精度和置信度，召回率和准确率分别提高0.96%和 0.48%. 关键词交通标志检测：弱光照：自适应图像增强；YOLOv3:深度学习分类号TP391.4 Traffic signs detection and recognition under low-illumination conditions ZHAO Kun,LIU Li,MENG Yu,SUN Ruo-can School of Mechanical Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:myu@ustb.edu.cn ABSTRACT Traffic sign detection and recognition,which are important to ensure traffic safety,have been a research hotspot.In recent years,with the rapid development of automated driving technology,significant progress has been made in developing more accurate and efficient deep learning algorithms for traffic sign detection and recognition.However,these studies mainly focus on foreign traffic signs and do not consider the low-illumination conditions in practical application,which is a common scene.Therefore,many challenges still exist in the application of traffic sign detection and recognition in traffic scenes.To solve the problems of easy omission and inaccurate positioning for traffic sign detection and recognition under complex illumination conditions,the enhanced YOLOv3(You only look once)detection algorithm,a traffic sign detection and recognition method combining real-time adaptive image enhancement and the YOLOv3 frame was proposed.First,a large and complex illumination traffic sign dataset for Chinese traffic was constructed;it included globally low illumination,locally low illumination,and sufficient illumination images.Then an adaptive enhancement algorithm was proposed for low-illumination images,which can enhance the difference between traffic signs and background by adjusting the brightness and contrast of the images.Finally,high-quality and discrimination images as input were transmitted to the YOLOv3 network framework,and traffic sign detection and recognition were performed.To reduce the influences of the prior anchor box setting accuracy and the imbalance between the background and foreground on the detection accuracy,the clustering algorithm for the prior anchor box and loss function for the network were optimized.The results of the comparison experiment with the LISA dataset and complex illumination traffic sign dataset for Chinese traffic show that the proposed enhanced YOLOv3 detection algorithm has 收稿日期：2019-08-14 基金项目：国家重点研发计划资助项目(2018YFE0192900.2018YFC0810500.2018YFC0604403):国家高技术研究发展计划资助项目 (2011AA060408):中央高校基本科研业务费专项资金资助项目(FRF-TP.17-010A2)

弱光照条件下交通标志检测与识别赵坤，刘立，孟宇苣，孙若灿北京科技大学机械工程学院，北京 100083 苣通信作者，E-mail：myu@ustb.edu.cn 摘要针对弱光照条件下交通标志易发生漏检和定位不准的问题，本文提出了增强 YOLOv3（You only look once）检测算法，一种实时自适应图像增强与优化 YOLOv3 网络结合的交通标志检测与识别方法. 首先构建了大型复杂光照中国交通标志数据集；然后针对复杂的弱光照图像提出自适应增强算法，通过调整图像亮度和对比度强化交通标志与背景之间的差异；最后采用 YOLOv3 网络框架检测交通标志. 为了降低先验锚点框设置精度以及图像中背景与前景比例严重失衡对检测精度造成的影响，优化了先验锚点框聚类算法和网络的损失函数. 对比实验结果表明，在实时性大致相当的情况下，本文提出的增强 YOLOv3 检测算法较标准 YOLOv3 算法对交通标志有更高的回归精度和置信度，召回率和准确率分别提高 0.96% 和 0.48%. 关键词交通标志检测；弱光照；自适应图像增强；YOLOv3；深度学习分类号 TP391.4 Traffic signs detection and recognition under low-illumination conditions ZHAO Kun，LIU Li，MENG Yu苣，SUN Ruo-can School of Mechanical Engineering, University of Science and Technology Beijing, Beijing 100083, China 苣 Corresponding author, E-mail: myu@ustb.edu.cn ABSTRACT Traffic sign detection and recognition, which are important to ensure traffic safety, have been a research hotspot. In recent years, with the rapid development of automated driving technology, significant progress has been made in developing more accurate and efficient deep learning algorithms for traffic sign detection and recognition. However, these studies mainly focus on foreign traffic signs and do not consider the low-illumination conditions in practical application, which is a common scene. Therefore, many challenges still exist in the application of traffic sign detection and recognition in traffic scenes. To solve the problems of easy omission and inaccurate positioning for traffic sign detection and recognition under complex illumination conditions, the enhanced YOLOv3 (You only look once) detection algorithm, a traffic sign detection and recognition method combining real-time adaptive image enhancement and the YOLOv3 frame was proposed. First, a large and complex illumination traffic sign dataset for Chinese traffic was constructed; it included globally low illumination, locally low illumination, and sufficient illumination images. Then an adaptive enhancement algorithm was proposed for low-illumination images, which can enhance the difference between traffic signs and background by adjusting the brightness and contrast of the images. Finally, high-quality and discrimination images as input were transmitted to the YOLOv3 network framework, and traffic sign detection and recognition were performed. To reduce the influences of the prior anchor box setting accuracy and the imbalance between the background and foreground on the detection accuracy, the clustering algorithm for the prior anchor box and loss function for the network were optimized. The results of the comparison experiment with the LISA dataset and complex illumination traffic sign dataset for Chinese traffic show that the proposed enhanced YOLOv3 detection algorithm has 收稿日期: 2019−08−14 基金项目: 国家重点研发计划资助项目（ 2018YFE0192900， 2018YFC0810500， 2018YFC0604403）；国家高技术研究发展计划资助项目（2011AA060408）；中央高校基本科研业务费专项资金资助项目（FRF-TP-17-010A2）工程科学学报，第 42 卷，第 8 期：1074−1084，2020 年 8 月 Chinese Journal of Engineering, Vol. 42, No. 8: 1074−1084, August 2020 https://doi.org/10.13374/j.issn2095-9389.2019.08.14.003; http://cje.ustb.edu.cn

赵坤等：弱光照条件下交通标志检测与识别 1075· higher regression accuracy and category confidence than the published YOLOv3 algorithm for traffic signs;the recall and precision are higher by 0.96%and 0.48%,respectively,which indicates the application potential of the proposed algorithm in actual traffic scenarios KEY WORDS traffic sign detection:low illumination;adaptive image enhancement;YOLOv3;deep learning 近年来，人工智能的快速发展极大的加快了在图像上提取2000个目标候选区，然后采用深层无人车技术的研究进程，特别是深度学习山在环卷积网络对目标候选区进行分类.但由于其对每境感知、路径规划、决策控制等关键技术上的研个候选区都执行卷积运算而不是共享计算，因此究与应用，使得自动驾驶时代在不久的将来真正检测速度较慢.文献[11]提出了空间金字塔网络成为可能.交通标志检测与识别是智能交通领域 (Spatial pyramid pooling network,SPPnets),通过共环境感知四系统的一个重要分支，对于保证交通享卷积特征图来提高速度.快速区域卷积神经网安全具有十分重要的研究意义，逐渐成为国内外络(Fast R-CNN)I能够对共享卷积特征进行端到学者的研究重点，近几年虽然对交通标志检测与端训练，提高了检测精度与速度.但是SPPnets 识别的研究取得了较为满意的结果，但是在实际和Fast R-CNN仍然使用SS方法生成目标候选区，应用中仍然存在较多问题，针对应用场景下的交此阶段成为提高实时性的瓶颈.更快区域卷积神通标志检测与识别方法仍需进一步深入研究经网络(Faster R-CNN)B1引入了区域提案网络目前交通标志检测与识别方法主要分为两大 (Region proposals network,RPN)生成目标候选区，类：基于传统手工特征和机器学习分类的方法以极大的提高了目标检测的速度.YOLO(You only 及基于深度学习的方法 look once)将目标检测任务重构为一个从图像像 (1)基于传统手工特征和机器学习的方法素直接到边界框坐标和类概率的回归问题，单阶基于传统手工特征和机器学习的方法大致可段多盒检测器(Single shot multibox detector,SSD) 以分为以下三个子类：1)应用颜色和边缘信息；利用特征图上的小型卷积滤波器来预测边界框位 2)应用形状信息；3)应用机器学习机制.在第一类置中的目标类别和偏移，以提高目标检测的性能. 方法中通常先用颜色分割图像，然后进行边缘检随着以上目标检测框架逐渐成熟以及大型国测，最后使用随机一致性采样(RANSAC)或Hough 外交通标志数据集的出现，已出现许多基于深度变换等方法处理，从边缘图中识别特定的形状B! 学习的交通标志检测与识别实证研究6-1，研究第二类方法只依靠边缘信息，在文献[5]和[6]中结果显示出了深度学习在交通标志检测与识别领实现了一种基于径向对称性的快速算法，该算法域的优越性，基于深度学习的交通标志进行检测可以适应各种规则形状，包括三角形、正方形、菱形与识别方法成为当前的研究主流八边形和圆形.第三类方法应用机器学习技术，其当采用上述较为成熟的深度学习框架检测交中神经网络、支持向量机(SVM)和AdaBoost是最通标志时，发现检测失败的样本通常为阴天、傍晚常用的方法.例如文献[7]对输人图像进行颜色分或背光等弱光照条件样本，具有亮度或对比度低割后提取出块，然后使用线性SVM将其分类为不的特点：检测失败的表现形式为漏检和定位不准、同的形状.文献[8]应用AdaBoost方法使用一组置信度较低.在无人驾驶应用中，不可避免的出现考虑颜色和位置的Haar小波特征检测交通标志. 很多复杂的弱光照情况，因此需要对弱光照条件基于传统手工特征和机器学习的方法需要针下交通标志检测与识别方法进行深入研究，以提对不同的标志设计不同的手工特征，且无法同时高其在实际应用中的效果识别所有类别的交通标志，算法的实时性无法得针对以上的问题，本文提出了用于提高弱光照到保证条件下交通标志检测与识别性能的增强YOLOv3 (2)基于深度学习的方法检测算法.首先提出了实时自适应图像增强算法，近年来，深度卷积神经网络在目标检测任务调整图像亮度和对比度，便于降低后续检测漏检中取得了巨大的成功.Girshick等9提出了用于精率：然后采用YOLO3框架检测增强后的图像并确目标检测和语义分割的丰富特征层次结构区域优化了损失函数和先验锚点框聚类算法，提高交卷积神经网络(Regions with CNN,R-CNN),利用选通标志边框回归精度和置信度；此外，开发了复杂择性搜索(Selective search,SS)Io代替传统滑窗法光照中国交通标志数据集用于对中国交通标志检

higher regression accuracy and category confidence than the published YOLOv3 algorithm for traffic signs; the recall and precision are higher by 0.96% and 0.48%, respectively, which indicates the application potential of the proposed algorithm in actual traffic scenarios. KEY WORDS traffic sign detection；low illumination；adaptive image enhancement；YOLOv3；deep learning 近年来，人工智能的快速发展极大的加快了无人车技术的研究进程，特别是深度学习[1] 在环境感知、路径规划、决策控制等关键技术上的研究与应用，使得自动驾驶时代在不久的将来真正成为可能. 交通标志检测与识别是智能交通领域环境感知[2] 系统的一个重要分支，对于保证交通安全具有十分重要的研究意义，逐渐成为国内外学者的研究重点. 近几年虽然对交通标志检测与识别的研究取得了较为满意的结果，但是在实际应用中仍然存在较多问题，针对应用场景下的交通标志检测与识别方法仍需进一步深入研究. 目前交通标志检测与识别方法主要分为两大类：基于传统手工特征和机器学习分类的方法以及基于深度学习的方法. （1）基于传统手工特征和机器学习的方法. 基于传统手工特征和机器学习的方法大致可以分为以下三个子类： 1）应用颜色和边缘信息； 2）应用形状信息；3）应用机器学习机制. 在第一类方法中通常先用颜色分割图像，然后进行边缘检测，最后使用随机一致性采样（RANSAC）或 Hough 变换等方法处理，从边缘图中识别特定的形状[3−4] . 第二类方法只依靠边缘信息，在文献 [5] 和 [6] 中实现了一种基于径向对称性的快速算法，该算法可以适应各种规则形状，包括三角形、正方形、菱形、八边形和圆形. 第三类方法应用机器学习技术，其中神经网络、支持向量机（SVM）和 AdaBoost 是最常用的方法. 例如文献 [7] 对输入图像进行颜色分割后提取出块，然后使用线性 SVM 将其分类为不同的形状. 文献 [8] 应用 AdaBoost 方法使用一组考虑颜色和位置的 Haar 小波特征检测交通标志. 基于传统手工特征和机器学习的方法需要针对不同的标志设计不同的手工特征，且无法同时识别所有类别的交通标志，算法的实时性无法得到保证. （2）基于深度学习的方法. 近年来，深度卷积神经网络在目标检测任务中取得了巨大的成功. Girshick 等[9] 提出了用于精确目标检测和语义分割的丰富特征层次结构区域卷积神经网络（Regions with CNN，R-CNN），利用选择性搜索（Selective search，SS） [10] 代替传统滑窗法在图像上提取 2000 个目标候选区，然后采用深层卷积网络对目标候选区进行分类. 但由于其对每个候选区都执行卷积运算而不是共享计算，因此检测速度较慢. 文献 [11] 提出了空间金字塔网络（Spatial pyramid pooling network，SPPnets），通过共享卷积特征图来提高速度. 快速区域卷积神经网络（Fast R-CNN） [12] 能够对共享卷积特征进行端到端训练，提高了检测精度与速度. 但是 SPPnets 和 Fast R-CNN 仍然使用 SS 方法生成目标候选区，此阶段成为提高实时性的瓶颈. 更快区域卷积神经网络（ Faster R-CNN） [13] 引入了区域提案网络（Region proposals network, RPN）生成目标候选区，极大的提高了目标检测的速度. YOLO （You only look once） [14] 将目标检测任务重构为一个从图像像素直接到边界框坐标和类概率的回归问题. 单阶段多盒检测器（Single shot multibox detector，SSD） [15] 利用特征图上的小型卷积滤波器来预测边界框位置中的目标类别和偏移，以提高目标检测的性能. 随着以上目标检测框架逐渐成熟以及大型国外交通标志数据集的出现，已出现许多基于深度学习的交通标志检测与识别实证研究[16−19] ，研究结果显示出了深度学习在交通标志检测与识别领域的优越性，基于深度学习的交通标志进行检测与识别方法成为当前的研究主流. 当采用上述较为成熟的深度学习框架检测交通标志时，发现检测失败的样本通常为阴天、傍晚或背光等弱光照条件样本，具有亮度或对比度低的特点；检测失败的表现形式为漏检和定位不准、置信度较低. 在无人驾驶应用中，不可避免的出现很多复杂的弱光照情况，因此需要对弱光照条件下交通标志检测与识别方法进行深入研究，以提高其在实际应用中的效果. 针对以上的问题，本文提出了用于提高弱光照条件下交通标志检测与识别性能的增强 YOLOv3 检测算法. 首先提出了实时自适应图像增强算法，调整图像亮度和对比度，便于降低后续检测漏检率；然后采用 YOLOv3 框架检测增强后的图像并优化了损失函数和先验锚点框聚类算法，提高交通标志边框回归精度和置信度；此外，开发了复杂光照中国交通标志数据集用于对中国交通标志检赵坤等：弱光照条件下交通标志检测与识别 · 1075 ·

·1076 工程科学学报，第42卷，第8期测与识别方法的研究交通标志.因此研究中国交通标志识别与检测方 1弱光照中国交通标志数据集法以及后续算法的应用必须具备大型复杂光照中国交通标志数据集目前对交通标志检测与识别的研究，研究者本文采集并标注了北京市道路交通主要类别多采用比较知名的公共交通标志数据集对算法性的交通标志组成数据集，包括警告类、禁令类、指能进行测试，如美国交通标志数据集(LISA)20,、德示类等7种交通标志.数据集中包含雨雪天气，阴国交通标志数据集（包括检测基准数据集GTSDB 天及傍晚等光照条件复杂的交通标志图像，部分和识别数据集GTSRB)2和比利时交通标志数据图像如图1所示.数据集共包括6258张图像（内集(BTSRB)四.但以上数据集仅限于欧洲交通标含8675个交通标志，无负样本，数据分布如图2所志且样本大多是在光照条件良好的情况下采集示)，涵盖了目前常出现的城市道路交通标志，与的，国内相关机构还没有开发和公布大型完备的现有大型欧洲交通标志数据集相比图像数量略少复杂光照中国交通标志数据集以用于检测中国的但基本可保证数据量充足 (a) (b) (d) 图1不同天气及光照条件的图像样本.(a)阴天，(b)雨雪天，(c)光照充足：(d)光照不足 Fig.I Image samples under different weather and illumination conditions:(a)overcast,(b)rain and snow;(c)sufficient illumination;(d)insufficient illumination 一部分在阴天傍晚等情况下通过拍照实地（北京 1350 1323 市北三环与北四环之间的交通主干道)采集，主要 1299 1261 1265 为弱光照样本.为了提高数据集的普适性，从不同 1250 1237 的角度和距离对同一个交通标志进行多次采集 1200 1172 1150 2)数据处理.参照2.1中的分类原则，按照强 1138 1100 度均值将图像分类为偏暗类(2621张)和明亮类 1050 (3637张).为了保证数据大致均衡，对其中500张 1000 0 2 34 6 明亮类图像进行了随机调暗处理，最终偏暗类图 Categories 像和明亮类图像分别为3121张3137张图2交通标志数据分布示意图 3)标注方法及内容.采用LableMe软件标注 Fig.2 Data distribution diagram for traffic signs 每幅图像，标注信息包括交通标志的类别属性，图数据集构建过程具体如下：像的光照情况，标志边框的左上坐标和右下坐标 1)数据采集.样本主要通过两种方式获得，一 (像素单位)，信息保存在xml格式下的文件中部分通过百度地图剪裁，主要为光照充足的样本；另 4)数据划分.分别将偏暗类图像和明亮类图

测与识别方法的研究. 1 弱光照中国交通标志数据集目前对交通标志检测与识别的研究，研究者多采用比较知名的公共交通标志数据集对算法性能进行测试，如美国交通标志数据集（LISA） [20]、德国交通标志数据集（包括检测基准数据集 GTSDB 和识别数据集 GTSRB)[21] 和比利时交通标志数据集（BTSRB） [22] . 但以上数据集仅限于欧洲交通标志且样本大多是在光照条件良好的情况下采集的，国内相关机构还没有开发和公布大型完备的复杂光照中国交通标志数据集以用于检测中国的交通标志. 因此研究中国交通标志识别与检测方法以及后续算法的应用必须具备大型复杂光照中国交通标志数据集. 本文采集并标注了北京市道路交通主要类别的交通标志组成数据集，包括警告类、禁令类、指示类等 7 种交通标志. 数据集中包含雨雪天气，阴天及傍晚等光照条件复杂的交通标志图像，部分图像如图 1 所示. 数据集共包括 6258 张图像（内含 8675 个交通标志，无负样本，数据分布如图 2 所示），涵盖了目前常出现的城市道路交通标志，与现有大型欧洲交通标志数据集相比图像数量略少但基本可保证数据量充足. 数据集构建过程具体如下： 1）数据采集. 样本主要通过两种方式获得，一部分通过百度地图剪裁，主要为光照充足的样本；另一部分在阴天傍晚等情况下通过拍照实地（北京市北三环与北四环之间的交通主干道）采集，主要为弱光照样本. 为了提高数据集的普适性，从不同的角度和距离对同一个交通标志进行多次采集. 2）数据处理. 参照 2.1 中的分类原则，按照强度均值将图像分类为偏暗类（2621 张）和明亮类（3637 张）. 为了保证数据大致均衡，对其中 500 张明亮类图像进行了随机调暗处理，最终偏暗类图像和明亮类图像分别为 3121 张 3137 张. 3）标注方法及内容. 采用 LableMe 软件标注每幅图像，标注信息包括交通标志的类别属性，图像的光照情况，标志边框的左上坐标和右下坐标（像素单位），信息保存在 xml 格式下的文件中. 4）数据划分. 分别将偏暗类图像和明亮类图 (a) (b) (c) (d) 图 1 不同天气及光照条件的图像样本. （a）阴天; （b）雨雪天; （c）光照充足; （d）光照不足 Fig.1 Image samples under different weather and illumination conditions: (a) overcast; (b) rain and snow; (c) sufficient illumination; (d) insufficient illumination 1350 1300 1250 1200 Number of taffic signs 1150 1100 1050 1000 0 1 2 3 4 Categories 5 6 7 No parking Slow down Pedestrian crossing Motor vehicle No motor vehicle Keep right Turn right 1172 1323 1261 1299 1265 1237 1138 图 2 交通标志数据分布示意图 Fig.2 Data distribution diagram for traffic signs · 1076 · 工程科学学报，第 42 卷，第 8 期

赵坤等：弱光照条件下交通标志检测与识别 1077· 像按照约1：1的比例划分组成训练集和测试集. 数c和y有不同的计算方式为了增加数据量，训练时采用数据增广对初始图图像标准差反映了像素值与均值的离散程像随机平移度，标准差越大图像质量越好，因此，本文先采用 2增强YOLOv3算法图像强度标准差对图像分类，判别公式如下所示： h,4c≤ (2) 2.1自适应图像增强 (a,其他弱光照交通标志图像数据集中主要存在以下式(2)中，σ为图像标准差，p为图像对比度衡四种情况的图像：整体亮度较低、半明半暗且交通量系数，根据实验发现，取p=3能够作为分类不同标志在偏暗区、半明半暗且交通标志在偏亮区以对比度图像的标准；h表示低对比度图像，表示及整体亮度良好的图像，光照条件较为复杂.而图中高对比度图像像增强的目的就是针对不同光照条件的图像合理同一对比度类别的图像也会有不同的亮度，的均衡化像素分布范围，调整图像亮度和对比度，需要对图像进一步划分.图像强度均值反映了图提高交通标志与背景间的区分度像的亮度，均值越大图像亮度越大，本文采用λ表现有的方法一般采用直方图均衡化全局图像)，示图像强度均值.经过多组实验发现，图像强度均但采用全局加强的方法可能会导致图像部分过加值小于0.5时，亮度不佳，大于等于0.5时，亮度良强或欠加强；也有局部加强方法，Celik和Tjahjadi2 好.因此，本文设置=0.5作为区别图像亮度高低提出局部加强技术对图片部分进行不同程度的强的界限，最终图像分类类别如表1所示化，但其未考虑全局亮度信息 Gamma校正常用于调整图像的整体亮度，传表1图像分类统的Gamma校正对所有的图像都采用同样的处 Table 1 Image classification 理方式，使得图像质量好的图像被过度地处理.对 Contrast category Intensity mean,A Image category 此，本文提出自适应Gamma校正(Adaptive Gamma ≥0.5 Low contrast and high brightness correction,AGC),可对不同光照程度的图像进行 0.5 Low contrast and low brightness 自适应处理.首先将图像转换到HSV颜色空间， ≥0.5 High contrast and high brightness 然后对V通道进行自适应Gamma处理以调整图 0.5 High contrast and low brightness 像亮度，最后再将图像转换到RGB颜色空间进行后续检测，主要流程如图3所示.其中，对图像进 2.1.1h类图像处理上类图像σ值小，图像中的大部分像素有相近行自适应Gamma校正处理时，图像强度变换函数的强度值，聚集在小的像素范围内，对于这样的图设置为：像，需要使像素分布扩展到更大的范围以提高对 s=cRY (1) 比度.在Gamma校正中，y值越大，相应的图像强式中，s为输出图像的强度，R为输入图像的强度，度越大，对比度也越大.在本文的自适应Gamma y为控制输入输出曲线的参数，c为修正系数，两参校正中，对于1类别图像采用下面的公式计算y值：数共同控制曲线形状.对于不同光照下的图像，参 y=-l0g2(c) (3) V Channel 对于系数c值，传统的Gamma校正方法通常取1，本文针对不同对比度图像采用不同的c值： Yes Low contrast? No 1 c=1+s0.5-0×(@-1) (4) Parameters c and y Parameters c and y 式中，a有以下定义： a=RY+(1-RY)XAY (5) Image processing with intensity transform function 0.5-)为阶跃函数： f1,0.5->0 (6) Transformed V channel s0.5-0={00.5-A≤0 图3自适应Gamma校正流程图这样处理y和c值使得算法能够对1类别中 Fig.3 Flow diagram of adaptive gamma correction 亮度不同的图像分别采取合适的变换

像按照约 1∶1 的比例划分组成训练集和测试集. 为了增加数据量，训练时采用数据增广对初始图像随机平移. 2 增强 YOLOv3 算法 2.1 自适应图像增强弱光照交通标志图像数据集中主要存在以下四种情况的图像：整体亮度较低、半明半暗且交通标志在偏暗区、半明半暗且交通标志在偏亮区以及整体亮度良好的图像，光照条件较为复杂. 而图像增强的目的就是针对不同光照条件的图像合理的均衡化像素分布范围，调整图像亮度和对比度，提高交通标志与背景间的区分度. 现有的方法一般采用直方图均衡化全局图像[23] ，但采用全局加强的方法可能会导致图像部分过加强或欠加强；也有局部加强方法，Celik 和 Tjahjadi[24] 提出局部加强技术对图片部分进行不同程度的强化，但其未考虑全局亮度信息. Gamma 校正常用于调整图像的整体亮度，传统的 Gamma 校正对所有的图像都采用同样的处理方式，使得图像质量好的图像被过度地处理. 对此，本文提出自适应 Gamma 校正（Adaptive Gamma correction，AGC），可对不同光照程度的图像进行自适应处理. 首先将图像转换到 HSV 颜色空间，然后对 V 通道进行自适应 Gamma 处理以调整图像亮度，最后再将图像转换到 RGB 颜色空间进行后续检测，主要流程如图 3 所示. 其中，对图像进行自适应 Gamma 校正处理时，图像强度变换函数设置为： s = cRγ （1）式中，s 为输出图像的强度，R 为输入图像的强度， γ 为控制输入输出曲线的参数，c 为修正系数，两参数共同控制曲线形状. 对于不同光照下的图像，参数 c 和 γ 有不同的计算方式. 图像标准差反映了像素值与均值的离散程度，标准差越大图像质量越好，因此，本文先采用图像强度标准差对图像分类，判别公式如下所示： Icls =    IL,4σ ⩽ 1 p IH,其他（2）式（2）中，σ 为图像标准差，p 为图像对比度衡量系数，根据实验发现，取 p=3 能够作为分类不同对比度图像的标准；IL 表示低对比度图像，IH 表示中高对比度图像. 同一对比度类别的图像也会有不同的亮度，需要对图像进一步划分. 图像强度均值反映了图像的亮度，均值越大图像亮度越大，本文采用 λ 表示图像强度均值. 经过多组实验发现，图像强度均值小于 0.5 时，亮度不佳，大于等于 0.5 时，亮度良好. 因此，本文设置 λ=0.5 作为区别图像亮度高低的界限，最终图像分类类别如表 1 所示. 2.1.1 IL 类图像处理 IL 类图像 σ 值小，图像中的大部分像素有相近的强度值，聚集在小的像素范围内，对于这样的图像，需要使像素分布扩展到更大的范围以提高对比度. 在 Gamma 校正中，γ 值越大，相应的图像强度越大，对比度也越大. 在本文的自适应 Gamma 校正中，对于 IL 类别图像采用下面的公式计算 γ 值： γ = −log2 (σ) （3）对于系数 c 值，传统的 Gamma 校正方法通常取 1，本文针对不同对比度图像采用不同的 c 值： c = 1 1+ε(0.5−λ)×(α−1) （4）式中，α 有以下定义： α=R γ +(1−R γ )×λ γ （5） ε(0.5−λ) 为阶跃函数： ε(0.5−λ) = { 1,0.5−λ > 0 0,0.5−λ ⩽ 0 （6）这样处理 γ 和 c 值使得算法能够对 IL 类别中亮度不同的图像分别采取合适的变换. 表 1 图像分类 Table 1 Image classification Contrast category Intensity mean, λ Image category IL ≥ 0.5 Low contrast and high brightness <0.5 Low contrast and low brightness IH ≥ 0.5 High contrast and high brightness <0.5 High contrast and low brightness Low contrast? V Channel Parameters c and γ Parameters c and γ Image processing with intensity transform function Transformed V channel Yes No 图 3 自适应 Gamma 校正流程图 Fig.3 Flow diagram of adaptive gamma correction 赵坤等：弱光照条件下交通标志检测与识别 · 1077 ·

·1078 工程科学学报，第42卷，第8期 1h类别中亮度高的图像（≥0.5），算法主要是处理后再将尺寸恢复到原图大小，对于压缩的插要增加其对比度，突出图像更多的细节，因此根据值方式，本文进行了测试，发现采用双线性插值法式(4)，此时c=1,式(1)转化为：的时间和效果较其他插值方法好.这种处理方式 S=RY (7) 的唯一缺点是造成了图像轻微模糊，但对后续检为了增加这类图像的对比度，变换曲线需要测结果影响不大，且大大提高了图像增强的实时扩展图像的像素范围，分布一定的亮灰度值到暗性，改动后图像增强处理一张图像只需要9ms 灰度范围，在自适应Gamma算法中，根据式(2)和 2.2 YOLOv3锚点框聚类算法优化 (3)证明得，y大于1. YOLO框架将目标检测看作回归问题，YOLOv32 1类别中亮度低的图像(1<0.5)，通常其大部替换了YOLOv1直接从图像像素中得到边界框的分像素值分布在暗灰度水平，且聚集在较小的范思想，借用RPN的方法生成锚点框.而先验锚点围内，对于这类图像，变换曲线需要将一部分暗灰框的尺度比例和数目对计算速度和最终的边界框度值扩展到更亮的灰度范围，此时的变换曲线会回归效果有较大影响)不同于Faster R-CNN,SSD 落在s=R曲线之上.结合式(4)和(5)，式(1)变换的人为设定，YOLOv3延用YOLOv22的方法，采函数转化为：用k-means聚类分析法聚类出均值先验锚点框.但 RY 是实际应用时发现，聚类结果与样本统计结果存 5=Rr+(1-R)×D (8) 在一定偏差，影响了后续检测性能，因此本文对先 2.1.2H类图像处理验锚点框的聚类算法进行了优化，增加了对聚类 H类图像σ值大，图像像素值在动态范围内结果的随机修正处理：明显呈分散分布，相比加强其对比度，亮度调节显 W=O{random[v1,2]×wb} (10) 得更加重要，输出图像的强度和c值依然如式(1) 其中，O表示每三个聚类中心随机选两个进行修和(4)所示，y值控制输入输出曲线的斜率，y值越正，y1取1.4,2取1.55；wb为先验锚点框修正前的大，图像对比度越大，因此，对于类别的图像，宽，W。为修正后的宽 y值的计算调整为：对本文构建的交通标志数据集，首选确定聚 y=eL-4e) (9) 类中心数目Q,根据聚类统计平均交并比(Intersection 可以看出，对于此类图像，？值的变化不大，对图像 over union,.IOU)结果，结合YOLOv3框架中多尺度对比度的影响相对较小.由式(9)分析可知，y值的预测的特点，分别取Q=6,9,12三个值做训练，权衡回归速度和准确度后，选择O=9,如图4所示取值范围为[1,1.649] 1H类中亮度高的图像(1≥0.5)质量较好，亮度 1.00 0.90 和对比度也合适，对这类图像算法主要目标是保 0.85 留图像原有的质量，s、c和y值的计算均同式(1)、日080 (4)和(9) 05 4类别中亮度低的图像(<0.5)，1+o≤1，由于 0.65 1和σ的值均小于0.5，所以y≥1.分析可知，这类 0.60 图像的输入输出曲线必定落在s=R这条线性曲线 0.55 123456789101112131415 之上的，算法会使这类图像中的偏暗的像素转换 Number of anchors 到亮度大一些的范围内，图像的亮度分布更为均图4聚类中心数目测试结果匀.对于亮度稍微偏低但强度均值较大的图像来 Fig.4 Test results of number for cluster centers 说，变换曲线非常接近s=R曲线. 聚类10次取平均后锚点框的尺寸为(14,21)、在实时性方面，以处理416像素×416像素的 (19.32)、(25.38)、(29.55)、(30.43)、(37.56)、图像为标准，在本文的实验平台上，自适应图像增 (41,70)、(55,77)、(73,108).括号中数字分别表强阶段的耗时约为32ms,较为影响整体检测实时示锚点框的宽和高，观察发现上述聚类结果的宽性，为此本文对图像增强过程进行了如下改动：分高比最小是0.527，最大是0.714.而对于本文的数离出图像V通道后，先将V通道的尺寸压缩到原据集，统计训练样本的宽高比发现.70%的样本宽图的四分之一，然后进行上文自适应Gamma校正高比在0.72~1之间，20%的样本宽高比在0.6~

IL 类别中亮度高的图像（λ≥0.5），算法主要是要增加其对比度，突出图像更多的细节，因此根据式（4），此时 c=1，式（1）转化为： s=R γ （7）为了增加这类图像的对比度，变换曲线需要扩展图像的像素范围，分布一定的亮灰度值到暗灰度范围，在自适应 Gamma 算法中，根据式（2）和（3）证明得，γ 大于 1. IL 类别中亮度低的图像（λ<0.5），通常其大部分像素值分布在暗灰度水平，且聚集在较小的范围内，对于这类图像，变换曲线需要将一部分暗灰度值扩展到更亮的灰度范围，此时的变换曲线会落在 s=R 曲线之上. 结合式（4）和（5），式（1）变换函数转化为： s= R γ Rγ +(1−Rγ )×λ γ （8） 2.1.2 IH 类图像处理 IH 类图像 σ 值大，图像像素值在动态范围内明显呈分散分布，相比加强其对比度，亮度调节显得更加重要，输出图像的强度和 c 值依然如式（1）和（4）所示，γ 值控制输入输出曲线的斜率，γ 值越大，图像对比度越大，因此，对于 IH 类别的图像， γ 值的计算调整为： γ = e 1−(λ+σ) 2 （9）可以看出，对于此类图像，γ 值的变化不大，对图像对比度的影响相对较小. 由式（9）分析可知，γ 值的取值范围为 [1,1.649]. IH 类中亮度高的图像（λ≥0.5）质量较好，亮度和对比度也合适，对这类图像算法主要目标是保留图像原有的质量，s、c 和 γ 值的计算均同式（1）、（4）和（9）. IH 类别中亮度低的图像（λ<0.5），λ+σ≤1，由于 λ 和 σ 的值均小于 0.5，所以 γ≥1. 分析可知，这类图像的输入输出曲线必定落在 s=R 这条线性曲线之上的，算法会使这类图像中的偏暗的像素转换到亮度大一些的范围内，图像的亮度分布更为均匀. 对于亮度稍微偏低但强度均值较大的图像来说，变换曲线非常接近 s=R 曲线. 在实时性方面，以处理 416 像素×416 像素的图像为标准，在本文的实验平台上，自适应图像增强阶段的耗时约为 32 ms，较为影响整体检测实时性，为此本文对图像增强过程进行了如下改动：分离出图像 V 通道后，先将 V 通道的尺寸压缩到原图的四分之一，然后进行上文自适应 Gamma 校正处理后再将尺寸恢复到原图大小. 对于压缩的插值方式，本文进行了测试，发现采用双线性插值法的时间和效果较其他插值方法好. 这种处理方式的唯一缺点是造成了图像轻微模糊，但对后续检测结果影响不大，且大大提高了图像增强的实时性，改动后图像增强处理一张图像只需要 9 ms. 2.2 YOLOv3 锚点框聚类算法优化 YOLO 框架将目标检测看作回归问题，YOLOv3[25] 替换了 YOLOv1 直接从图像像素中得到边界框的思想，借用 RPN 的方法生成锚点框. 而先验锚点框的尺度比例和数目对计算速度和最终的边界框回归效果有较大影响[13] . 不同于 Faster R-CNN，SSD 的人为设定，YOLOv3 延用 YOLOv2[26] 的方法，采用 k-means 聚类分析法聚类出均值先验锚点框. 但是实际应用时发现，聚类结果与样本统计结果存在一定偏差，影响了后续检测性能，因此本文对先验锚点框的聚类算法进行了优化，增加了对聚类结果的随机修正处理： Wb = O 2 3 {random[v1, v2]×wb} （10） O 2 其中， 3 表示每三个聚类中心随机选两个进行修正，v1 取 1.4，v2 取 1.55；wb 为先验锚点框修正前的宽，Wb 为修正后的宽. 对本文构建的交通标志数据集，首选确定聚类中心数目 Q，根据聚类统计平均交并比（Intersection over union, IOU）结果，结合 YOLOv3 框架中多尺度预测的特点，分别取 Q=6，9，12 三个值做训练，权衡回归速度和准确度后，选择 Q=9，如图 4 所示. 聚类 10 次取平均后锚点框的尺寸为（14, 21）、（19, 32）、（25, 38）、（29, 55）、（30, 43）、（37, 56）、（41, 70）、（55, 77）、（73, 108）. 括号中数字分别表示锚点框的宽和高，观察发现上述聚类结果的宽高比最小是 0.527，最大是 0.714. 而对于本文的数据集，统计训练样本的宽高比发现，70% 的样本宽高比在 0.72～1 之间，20% 的样本宽高比在 0.6～ 1.00 0.90 0.85 0.80 Average IOU 0.75 0.70 0.65 0.60 0.55 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Number of anchors 图 4 聚类中心数目测试结果 Fig.4 Test results of number for cluster centers · 1078 · 工程科学学报，第 42 卷，第 8 期

赵坤等：弱光照条件下交通标志检测与识别 ·1079· 0.7之间，10%的样本宽高比小于0.6，可见聚类结物理尺寸较小且大部分样本中最多出现3个交通果与统计结果存在一定偏差.通过如式(10)所示标志，前景与背景比例严重失衡，应用One-stage目的处理，先验锚点框的聚类结果得到修正.如标检测器时，大部分的边界框不包含目标，这些图5所示，对比优化前后训练损失值发现，优化聚无目标边界框的置信度误差比较大，前景的损类算法后网络的损失值明显低于优化前的损失失淹没于背景的损失中.因此本文在原有损失函值，说明优化后的锚点框提高了对交通标志的边数的基础上进行了优化，主要思路是自适应的框归回精度和置信度均衡前景与背景的损失.损失函数包括两大部分， 2.3Y0L0v3损失函数优化分别为回归损失和分类损失，具体计算公式如下在交通场景中，相比于行人或车辆，交通标志所示： Loss= 2m-P+0g-P+(-2+(a- i=0j=0k=0 (11) ∑∑5Cg-C,1+[o5cCa-Cp+∑∑Pa-P,P =0=0k=0 =0=0k=0 式中，S为特征图的宽和高，本文中特征图的大小的网络，网络结构如图6所示有三种：52×52,26×26,13×13，B为每个锚点位置先对于以上这两个网络，本文都采用未经图像验框的数量；微表示该锚点框是否负责预测目标，增强的原始样本进行训练.为了使模型适应多种如果负责，那么E-1,否则为0：表示不负责尺度的测试图片，训练过程中采用多尺度训练的预测目标；xgyg、Wghg为真值，x、p、wp、h,为方式，每10个批次(batch)更改一次图片尺寸，优化预测值，表示目标的坐标以及宽和高（以像素为单器采用自适应性矩估计(Adaptive moment estimation, 位)；C和C。分别表示真值置信度和预测置信度； Adam),学习率设置为10，迭代训练1000次.本 P:和P。分别表示分类真值概率和分类预测概率；文实验平台为：NVIDIA1080 Ti GPU加速运算，11G 0分别表示各个损失部分的权重系数，对于权重显存，16G内存的取值本文的设定为：0oora=5,0obl,0nob-0.5, 32图像增强对比实验这样设置的目的是减小非目标区域的损失，增大为了验证本文自适应图像增强算法的有效目标区域的损失；为了进一步避免背景的损失值性，对三种不同光照条件下含交通标志的图片进对置信度损失的影响，本文将C。也作为权重的一行测试，结果如图7至图9所示部分自适应调整背景框的损失值图7是整体亮度和对比度都低的图像处理前后对比，经自适应图像增强后，从像素概率直方图 3实验看出像素值分布在更广的范围内，图像的对比度 31网络结构、参数设置及训练过程和亮度明显提高，图像的细节也能凸显出来，这对本文采用YOLOv3框架作为检测算法的基于交通标志的检测和识别是有利的础，分别训练了两个网络，其中一个是标准YOLOv3 图8是局部光照不均的图像处理前后对比，处网络，将其作为本文方法的对比方法，详细的网络理前图像的对比度相对较高，但交通标志处在阴结构和参数细节见文献25]：另外一个是本文构建影位置，不便于检测与识别.经自适应图像增强 10 后，像素概率直方图中暗区分布减少，整体直方图 Before optimization 103 After optimization 分布更加均匀，图像中光照不足的部分被加强，标志被凸显出来，且没有出现过处理的现象图9是亮度和强度均值都相对适中的图像样本处理前后对比，经自适应图像增强后，从像素值 10 概率直方图和处理后的图像能看出，仅仅只是蓝色背景区域稍微加深，其余部分均无较大改变，原图像 0 0.51.01.52.02.5 30 Number of iterations/10 质量基本得以保留，符合本文自适应算法的要求. 图5优化前后损失值示意图通过对以上三种不同光照情况的增强对比分 Fig.5 Loss value before and after optimization 析，本文提出的自适应增强算法能有效提高多种

0.7 之间，10% 的样本宽高比小于 0.6，可见聚类结果与统计结果存在一定偏差. 通过如式（10）所示的处理，先验锚点框的聚类结果得到修正. 如图 5 所示，对比优化前后训练损失值发现，优化聚类算法后网络的损失值明显低于优化前的损失值，说明优化后的锚点框提高了对交通标志的边框归回精度和置信度. 2.3 YOLOv3 损失函数优化在交通场景中，相比于行人或车辆，交通标志物理尺寸较小且大部分样本中最多出现 3 个交通标志，前景与背景比例严重失衡，应用 One-stage 目标检测器时，大部分的边界框不包含目标，这些无目标边界框的置信度误差比较大，前景的损失淹没于背景的损失中. 因此本文在原有损失函数的基础上进行了优化，主要思路是自适应的均衡前景与背景的损失. 损失函数包括两大部分，分别为回归损失和分类损失，具体计算公式如下所示： Loss = ∑ S i=0 ∑ S j=0 ∑ B k=0 E obj i jk { ωcoord[ (xgt − xp) 2 +(ygt −yp) 2 +( √ wgt − √ wp) 2 + ( √ hgt − √ hp )2 ]}+ ∑ S i=0 ∑ S j=0 ∑ B k=0 {[ωobjE obj i jk (Cgt −Cp) 2 ]+[ωnoobjE noobj i jk Cp(Cgt −Cp) 2 ]}+ ∑ S i=0 ∑ S j=0 ∑ B k=0 (Pgt − Pp) 2 （11） E obj i jkE obj i jk E noobj i jk 式中，S 为特征图的宽和高，本文中特征图的大小有三种：52×52，26×26，13×13，B 为每个锚点位置先验框的数量；表示该锚点框是否负责预测目标，如果负责，那么 =1，否则为 0；表示不负责预测目标；xgt、ygt、wgt、hgt 为真值，xp、yp、wp、hp 为预测值，表示目标的坐标以及宽和高（以像素为单位）；Cgt 和 Cp 分别表示真值置信度和预测置信度； Pgt 和 Pp 分别表示分类真值概率和分类预测概率； ω 分别表示各个损失部分的权重系数，对于权重的取值本文的设定为：ωcoord=5，ωobj=1，ωnoobj=0.5，这样设置的目的是减小非目标区域的损失，增大目标区域的损失；为了进一步避免背景的损失值对置信度损失的影响，本文将 Cp 也作为权重的一部分自适应调整背景框的损失值. 3 实验 3.1 网络结构、参数设置及训练过程本文采用 YOLOv3 框架作为检测算法的基础，分别训练了两个网络，其中一个是标准 YOLOv3 网络，将其作为本文方法的对比方法，详细的网络结构和参数细节见文献 [25]；另外一个是本文构建的网络，网络结构如图 6 所示. 对于以上这两个网络，本文都采用未经图像增强的原始样本进行训练. 为了使模型适应多种尺度的测试图片，训练过程中采用多尺度训练的方式，每 10 个批次（batch）更改一次图片尺寸，优化器采用自适应性矩估计（Adaptive moment estimation， Adam），学习率设置为 10−5，迭代训练 1000 次. 本文实验平台为：NVIDIA 1080Ti GPU 加速运算，11 G 显存，16 G 内存. 3.2 图像增强对比实验为了验证本文自适应图像增强算法的有效性，对三种不同光照条件下含交通标志的图片进行测试，结果如图 7 至图 9 所示. 图 7 是整体亮度和对比度都低的图像处理前后对比，经自适应图像增强后，从像素概率直方图看出像素值分布在更广的范围内，图像的对比度和亮度明显提高，图像的细节也能凸显出来，这对于交通标志的检测和识别是有利的. 图 8 是局部光照不均的图像处理前后对比，处理前图像的对比度相对较高，但交通标志处在阴影位置，不便于检测与识别. 经自适应图像增强后，像素概率直方图中暗区分布减少，整体直方图分布更加均匀，图像中光照不足的部分被加强，标志被凸显出来，且没有出现过处理的现象. 图 9 是亮度和强度均值都相对适中的图像样本处理前后对比，经自适应图像增强后，从像素值概率直方图和处理后的图像能看出，仅仅只是蓝色背景区域稍微加深，其余部分均无较大改变，原图像质量基本得以保留，符合本文自适应算法的要求. 通过对以上三种不同光照情况的增强对比分析，本文提出的自适应增强算法能有效提高多种 104 Loss 103 102 101 0 0.5 1.0 1.5 2.0 2.5 3.0 Number of iterations/104 Before optimization After optimization 图 5 优化前后损失值示意图 Fig.5 Loss value before and after optimization 赵坤等：弱光照条件下交通标志检测与识别 · 1079 ·

1082 工程科学学报，第42卷，第8期数据集（测试集）上对本文提出的增强YOLOv3算种方法的漏检标志数量较多；准确率方面，两种方法进行对比验证.对于检测结果的评判，本文设置法相差不大，说明两种方法很少出现错检的交通标置信度阈值为0.8，即置信度超过0.8时认为检测志.造成这种现象的原因主要是LISA数据集中的样到的目标是交通标志，设置IOU阈值为0.7，即本通过车载相机采集，车辆运动和抖动造成图像 1OU超过0.7时认定为正样本，否则为负样本较为模糊，从而对检测的召回率造成较大的影响 (1)LISA数据集在LISA数据集上对YOLOv3和改进YOLOv3 LISA数据集是以美国交通标志为基础构建的算法的部分检测结果进行了可视化展示，如图10 数据集，数据集中共包含6610个样本，47类7855 所示.通过图10(a,b)和图10(c,d)对比发现，尽个交通标志，标志尺寸从6像素×6像素到167像管YOLO3成功的检测到了图中的交通标志，但其素×168像素不等，图像尺寸从640像素×480像检测置信度较改进YOLOv3算法的置信度略低，素到1024像素×522像素不等.由于47类交通标约为0.9~1之间，而改进YOLOv3的检测置信度志的数量不平衡，本文只选取了停止(Stop)和人行基本都接近于1：此外，YOLOv3对交通标志的回道(Pedestrian crossing)两个数量较多的类别进行归误差也较改进YOLOv3算法略大.以上实验数训练和测试，其中行人标志1085个，停止标志据说明本文的改进YOLOv3算法不仅能够降低检 1821个，按照约1：1的比例划分组成训练集和测测漏检率，还能提升检测正确情况下的检测效果试集，测试集中标志个数为1446个.改进YOLOv:3 (2)弱光照中国交通标志数据集，算法和YOLOv3算法的测试结果如表2所示本文构建的弱光照中国交通标志数据集（测表2在LISA数据集上的测试结果（國值=0.8，IOU=0.7) 试集)共包含样本3130张，内含4478个交通标志，在此数据集上分别测试了标准YOLOv3网络和增 Table 2 Test results on LISA dataset (threshold=0.8,IOU =0.7) 强YOLOv3算法的检测性能并进行对比分析，对 Algorithm Number of traffic signs Recall/%Accuracy/% 比实验结果如表3所示 Standard YOLOv3 1446 88.80 99.07 从表中可看出，标准YOLO3对偏暗类图像、 Improved YOLOv3 1446 91.36 98.44 明亮类图像的检测召回率分别为96.30%和98.49%，从表2可以看出，在召回率上改进YOLOv3算偏暗类图像的召回率较明亮类图像的召回率低法较YOL0v3高2.56%，但都只有90%左右，说明两 2.19%,说明标准YOL03并没有很好的学习到弱 (a) (b) (c) 图10不同算法测试结果可视化对比.(a,b)标准YOLOv3:(c,d)改进YOLOv3 Fig.10 Visual comparison of different algorithm for test results:(a,b)standard YOLOv3;(c,d)improved YOLOv3

数据集（测试集）上对本文提出的增强 YOLOv3 算法进行对比验证. 对于检测结果的评判，本文设置置信度阈值为 0.8，即置信度超过 0.8 时认为检测到的目标是交通标志，设置 IOU 阈值为 0.7，即 IOU 超过 0.7 时认定为正样本，否则为负样本. （1）LISA 数据集. LISA 数据集是以美国交通标志为基础构建的数据集，数据集中共包含 6610 个样本，47 类 7855 个交通标志，标志尺寸从 6 像素 × 6 像素到 167 像素 × 168 像素不等，图像尺寸从 640 像素 × 480 像素到 1024 像素 × 522 像素不等. 由于 47 类交通标志的数量不平衡，本文只选取了停止（Stop）和人行道（Pedestrian crossing）两个数量较多的类别进行训练和测试，其中行人标志 1085 个，停止标志 1821 个，按照约 1∶1 的比例划分组成训练集和测试集，测试集中标志个数为 1446 个. 改进 YOLOv3 算法和 YOLOv3 算法的测试结果如表 2 所示. 从表 2 可以看出，在召回率上改进 YOLOv3 算法较 YOLOv3 高 2.56%，但都只有 90% 左右，说明两种方法的漏检标志数量较多；准确率方面，两种方法相差不大，说明两种方法很少出现错检的交通标志. 造成这种现象的原因主要是 LISA 数据集中的样本通过车载相机采集，车辆运动和抖动造成图像较为模糊，从而对检测的召回率造成较大的影响. 在 LISA 数据集上对 YOLOv3 和改进 YOLOv3 算法的部分检测结果进行了可视化展示，如图 10 所示. 通过图 10（a，b）和图 10（c，d）对比发现，尽管 YOLO3 成功的检测到了图中的交通标志，但其检测置信度较改进 YOLOv3 算法的置信度略低，约为 0.9～1 之间，而改进 YOLOv3 的检测置信度基本都接近于 1；此外，YOLOv3 对交通标志的回归误差也较改进 YOLOv3 算法略大. 以上实验数据说明本文的改进 YOLOv3 算法不仅能够降低检测漏检率，还能提升检测正确情况下的检测效果. （2）弱光照中国交通标志数据集. 本文构建的弱光照中国交通标志数据集（测试集）共包含样本 3130 张，内含 4478 个交通标志，在此数据集上分别测试了标准 YOLOv3 网络和增强 YOLOv3 算法的检测性能并进行对比分析，对比实验结果如表 3 所示. 从表中可看出，标准 YOLO3 对偏暗类图像、明亮类图像的检测召回率分别为 96.30% 和 98.49%，偏暗类图像的召回率较明亮类图像的召回率低 2.19%，说明标准 YOLO3 并没有很好的学习到弱表 2 在 LISA 数据集上的测试结果（阈值=0.8，IOU=0.7） Table 2 Test results on LISA dataset (threshold = 0.8, IOU = 0.7) Algorithm Number of traffic signs Recall/% Accuracy/% Standard YOLOv3 1446 88.80 99.07 Improved YOLOv3 1446 91.36 98.44 (a) Stop(Cp= 0.92) Stop (Cp= 0.96) (b) Pedestrian Crossing (Cp= 0.97) Pedestrian Crossing (Cp= 0.89) (c) Stop (Cp= 1.00) Stop (Cp= 1.00) (d) Pedestrian Crossing (Cp= 0.98) Pedestrian Crossing (Cp= 1.00) 图 10 不同算法测试结果可视化对比. （a, b）标准 YOLOv3；（c, d）改进 YOLOv3 Fig.10 Visual comparison of different algorithm for test results: (a, b) standard YOLOv3; (c, d) improved YOLOv3 · 1082 · 工程科学学报，第 42 卷，第 8 期