多尺度YOLOv5的交通灯检测算法

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，其中自动驾驶领域也发展十分迅猛。基于视觉的交通灯检测、行人检测和车辆检测作为自动驾驶的核心技术受到众多学者关注。对交通灯的准确定位与类别识别能够获取路口信息，为自动驾驶汽车的决策提供重要的数据支持，减少了汽车行驶的安全隐患。因此，一个具有可靠性与实时性的交通灯检测算法能够保障自动驾驶汽车的行驶安全，避免交通事故发生。