基于PMRNet的雨天交通标志识别算法研究.
Jing Zhang1, Haoliang Zhang1, Ding Lang2
1College of Computer Science and Technology, Xi'an University of Science and Technology, Xi'an 710054, China.
Mathematical biosciences and engineering : MBE
|July 28, 2023
概括
这项研究引入了一种新的算法,用于在雨天条件下识别交通标志. 该方法有效地从图像中去除雨水,并提高标志检测的准确性,改进智能驾驶系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 当前的交通信号识别系统因雨天的降雨天气而遭受性能下降,雨会掩盖目标.
- 现有的算法往往无法解释恶劣天气条件 (如雨) 对识别准确性的影响.
研究的目的:
- 为了提高在雨天天气条件下交通标志识别的准确性.
- 开发一种强大的算法,能够减轻雨对智能交通系统图像数据的影响.
主要方法:
- 提出了一个由两个模块组成的算法:一个使用渐进多尺度残余网络 (PMRNet) 的图像脱轨模块和一个使用CoT-YOLOv5.5的交通标志识别模块.
- PMRNet利用多尺度的残余结构和卷积长短期内存 (ConvLSTM) 进行有效的特征提取和雨水清除.
- CoT-YOLOv5将上下文转换器 (CoT) 模块集成到YOLOv5中,以提高全球建模能力和识别精度.
主要成果:
- 基于PMRNet的脱轨算法在消除雨痕方面表现出卓越的表现,在峰值信号对噪声比率 (PSNR) 和结构相似度指数 (SSIM) 中表现优于其他方法.
- 在TT100k数据集上,CoT-YOLOv5算法实现了92.1%的平均平均精度 (mAP),比原始YOLOv5.5有5%的改进.
- 结合的方法在雨天条件下显著提高了交通标志识别的准确性.
结论:
- 拟议的基于PMRNet的脱轨算法有效地从图像中删除雨水工件.
- CoT-YOLOv5算法在交通标志识别准确度上提供了显著的改进,特别是在具有挑战性的天气条件下.
- 这项研究为提高智能驾驶和交通系统在恶劣天气中的可靠性提供了有希望的解决方案.


