融合空间信息的YOLOv7交通标志检测

doi:10.3969/j.issn.1006-2475.2025.10.002

摘要/Abstract

摘要： 摘要：交通标志在检测过程中，因受天气和光照强度的影响，导致检测时出现错检、漏检等问题，针对此问题提出一种融合空间信息的交通标志检测算法。首先，在网络中使用坐标卷积，增强网络对坐标位置信息的敏锐性。其次，在主干特征提取中加入坐标注意力机制，可以更好地关注融合处的空间位置信息。在特征融合部分使用多尺度加权融合网络和金字塔池化，利用加权计算和跳跃连接的方式，增强低层与高层之间的语义信息融合效果。最后，使用边框回归损失函数（Scalable Intersection over Union Loss， SIoU）提高目标定位的准确性。在CCTSDB2021和GTSDB数据集上的实验结果显示，该方法在2种数据集上的平均精度（mean Average Precision， mAP）分别达到84.9%和98.5%，与主流检测模型对比有显著提升，较原模型分别提升了5.39个百分点和1.67个百分点，提高了交通标志的检测精度。

关键词: 关键词：交通标志检测；坐标卷积；注意力机制；多尺度融合； SIoU损失函数
,

Abstract: Abstract: During the detection process of traffic signs， due to the influence of weather and light intensity， problems such as false detections and missed detections occur during detection. To solve this problem， a traffic sign detection algorithm combining spatial information is proposed. Firstly， coordinate convolution is used on network to enhance sensitivity of the network to coordinate position information. Additionally， the incorporation of a coordinate attention mechanism into the backbone features enables better focus on spatial location information at fusion points. Moreover， the feature fusion process utilizes a multi-scale weighted network and pyramid pooling， leveraging weighted calculations and skip connections to enhance semantic information fusion between low-level and high-level layers. Lastly， the adoption of the SIoU loss function enhances target positioning accuracy. The experimental results on the CCTSDB2021 and GTSDB datasets demonstrate that this method achieved mean Average Precision (mAP) values of 84.9% and 98.5% respectively. Compared with mainstream detection models， it shows significant improvement—exceeding the original model by 5.39 percentage points and 1.67 percentage points—thus enhancing the detection accuracy of traffic signs.

Key words: Key words: traffic sign detection, coordinate convolution, attention mechanism, multi-scale fusion, SIoU loss function

中图分类号:

中图分类号：TP391.41

师红宇, 张哲于, 杜文, 李怡. 融合空间信息的YOLOv7交通标志检测[J]. 计算机与现代化, 2025, 0(10): 7-13.

SHI Hongyu, ZHANG Zheyu, DU Wen, LI Yi. Fusion of Spatial Information for YOLOv7 Traffic Sign Detection[J]. Computer and Modernization, 2025, 0(10): 7-13.

参考文献

［1］《中国公路学报》编辑部. 中国汽车工程学术研究综述·2023［J］. 中国公路学报， 2023，36（11）:1-192.
［2］陈飞，刘云鹏，李思远. 复杂环境下的交通标志检测与识别方法综述［J］. 计算机工程与应用， 2021，57（16）:65-73.
［3］廖聪，郭凰，赵茂军，等. 基于图像增强和SKNet的交通标志识别［J］. 计算机与现代化， 2023（3）:23-28.
［4］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// 2014 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2013:580-587.
［5］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015，39（6）:1137-1149.
［6］ HE K M， GEORGIA G， PIOTRL D， et al. Mask R-CNN［C］// IEEE International Conference on Computer Vision. IEEE， 2017:386-397.
［7］项新建，姚佳娜，黄炳强，等. 复杂光照下的交通标志检测与识别［J］.计算机辅助设计与图形学学报， 2023，35（2）:293-302.
［8］ LIU W， ANGUELOV D， ERHAN D， et al. SSD: Single shot multiBox detector［C］// Computer Vision-Computer Research Repository 2016. Springer， 2016:21-37.
［9］ LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015，521（7553）:436-444.
［10］郭璠，张泳祥，唐琎，等. YOLOv3-A：基于注意力机制的交通标志检测网络［J］. 通信学报， 2021，42（1）:87-99.
［11］ QU S M， YANG X Y， ZHOU H F， et al. Improved YOLOv5-based for small traffic sign detection under complex weather［J］. Scientific Reports， 2023，13（1）. DOI: 10.
1038/s41598-023-42753-3.
［12］ WANG X， TIAN Y， ZHENG K， et al. C2Net-YOLOv5: A bidirectional Res2Net-based traffic sign detection algorithm［J］. Computers， Materials & Continua， 2023，77（2）:1949-1965.
［13］ LUO J P， WANG Z F. A low latency traffic sign detection model with an automatic data labeling pipeline［J］. Neural Computing and Applications， 2022，34:15499-15512.
［14］ HUANG M T， WAN Y Y， GAO Z W， et al. Real-time traffic sign detection model based on multi-branch convolutional reparameterization［J］. Journal of Real Time Image Process， 2023，20（3）:1-16.
［15］ WANG C Y， BOCHKOVSKIY A， LIAO H-Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2022:7464-7475.
［16］ LIU R， LEHMAN J， MOLINO P， et al. An intriguing failing of convolutional neural networks and the CoordConv solution［C］// Proceedings of the 32nd International Conference on Neural Information Processing Systems（NeurIPS）. ACM， 2018:9628-9639.
［17］ LI C Y， LI L L， GENG Y F， et al. YOLOv6 v3.0: A full-scale reloading［J］ arXiv preprint arXiv:2023.05586v1，2020.
［18］ TAN M X， PANG R M， LE Q V. EfficientDet: Scalable and efficient object detection［C］// Conference on Computer Vision and Pattern Recognition（CVPR）. IEEE， 2020:
10778-10787.
［19］ LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2017:2117-2125.
［20］ LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018:8759-8768.
［21］ HU J， LI S， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018:7132-7141.
［22］ WOO S， PARK J， LEE J Y， et al. CBAM: Convolutional block attention module［C］// Proceedings of the European Conference on Computer Vision（ECCV）. Springer， 2018:3-19.
［23］ HOU Q B， ZHOU D Q， FENG J S. Coordinate attention for efficient mobile network design［C］// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE， 2021:13708-1371.
［24］ ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics， 2021，52（8）:8574-8586.
［25］ GEVORGYAN Z. SIoU loss: More powerful learning for bounding box regression［J］. arXiv preprint arXiv:2205.127
40， 2022.
［26］ ZHANG J M， ZOU X， KUANG L-D， et al. CCTSDB 2021: A more comprehensive traffic sign detection benchmark［J］. Human-centric Computing and Information Sciences， 2022，12. DOI: 10.22967/HCIS.2022.12.023.
［27］ HOUBEN S STALLKAMP J， SALMEN J， et al. Detection of traffic signs in real-world images: The German traffic sign detection benchmark［C］// International Symposium on Neural Networks. IEEE， 2013:1-8.

[1]	刘龙恩1, 石东祥2, 单宝明1, 张方坤1, 徐啟蕾1. 基于深度学习的厂区人员异常行为识别轻量化模型[J]. 计算机与现代化, 2025, 0(10): 1-6.
[2]	蒋冬梅1, 杨诺2, 陈仁明2, 董昌武3, 彭成东2, 4. 基于变核卷积的HRNetV2模型对舌下络脉图像分割算法[J]. 计算机与现代化, 2025, 0(10): 14-19.
[3]	黄姗姗, 罗旺, 郝运河. 基于知识蒸馏技术的电力视觉系统[J]. 计算机与现代化, 2025, 0(10): 20-24.
[4]	段警韦1, 陈亮1, 李雪1, 刘蒙蒙1, 刘晋宇2. 改进YOLOv8的密集行人检测算法[J]. 计算机与现代化, 2025, 0(10): 24-31.
[5]	李雪, 魏延, 李林骏. 基于DWT-SCINet-MDSC的电价预测混合模型[J]. 计算机与现代化, 2025, 0(10): 37-43.
[6]	王蕾, 赵康, 殷秀强. FA-CGRNet：无创高血糖预测的分类模型[J]. 计算机与现代化, 2025, 0(10): 44-50.
[7]	姚敏佳1, 宋文爱1, 孙雪2, 王子钰3, 雷毅4, 王青4, 赵莉5. InstantMesh：早期胃癌图像三维重建方法[J]. 计算机与现代化, 2025, 0(10): 51-56.
[8]	许彦１, 柏广林1, 张鹏1, 褚成2, 刘文文2, 张博2, 许娜3. 电力设计知识图谱服务平台的设计与实现[J]. 计算机与现代化, 2025, 0(10): 57-66.
[9]	周邦湲1, 辛国江1, 梁昊2, 丁长松1. 基于两阶段的多重注意力机制网络的胰腺分割[J]. 计算机与现代化, 2025, 0(10): 67-72.
[10]	王智聪1, 马祎航2, 张凌祥3. 基于THBA-BiLSTM循环流化床锅炉含氧量预测[J]. 计算机与现代化, 2025, 0(10): 73-79.
[11]	王远锐, 江凌云. 改进的FA-BP神经网络的交通流预测算法[J]. 计算机与现代化, 2025, 0(10): 80-88.
[12]	王饮冰1, 2, 王兴芬1, 3, 李立博1, 3. 基于改进TimesNet模型的农产品价格预测方法[J]. 计算机与现代化, 2025, 0(10): 89-95.
[13]	谢礼1, 刘芝樱2, 张瑜3, 卿朝进2. 感知与多模态协同的涂覆作业风险评估方法[J]. 计算机与现代化, 2025, 0(10): 96-102.
[14]	何志涌1, 2, 贺泽宇1, 2, 张伟1, 2, 柳国平3. 面向隐蔽化挖矿行为识别的特征选择方法[J]. 计算机与现代化, 2025, 0(10): 103-109.
[15]	余飞飞1, 2, 邵爱平3. 基于区块链双线性映射的IBS用户身份认证仲裁[J]. 计算机与现代化, 2025, 0(10): 110-117.