基于多尺度特征融合网络的交通标志检测

第３８卷第２期 计算机应用与软件
Ｖｏｌ ３８Ｎｏ．２２０２１年２月
ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ
Ｆｅｂ．２０２１
基于多尺度特征融合网络的交通标志检测
刘　胜１　马社祥１
　孟　鑫２　李　啸３
１
（天津理工大学电气电子工程学院　天津３００３８４）
２
（天津理工大学海运学院　天津３００３８４）
３
（天津理工大学计算机科学与工程学院　天津３００３８４）
收稿日期：
２０１９－０８－２５。

国家自然科学基金项目（６１６０１３２６，６１３７１１０８）。

刘胜，硕士生，主研领域：计算机视觉，深度学习。

马社祥，教授。

孟鑫，副教授。

李啸，博士生。

摘　要 传统交通标志检测方法检测速度慢，且现有深度神经网络对小尺寸交通标志检测精度低。

对此提出一个基于ＹＯＬＯｖ３的新型端到端卷积神经网络。

以ＹＯＬＯｖ３为检测框架，对特征提取网络和特征融合网络加以改进，并应用Ｋ ｍｅａｎｓ聚类算法生成更适合交通标志的锚点框。

充分利用多尺度特征实现了对小尺寸交通标志检测性能的提升。

在ＴＴ１００Ｋ（Ｔｓｉｎｇｈｕａ Ｔｅｎｃｅｎｔ１００Ｋ）和ＧＴＳＤＢ（ＧｅｒｍａｎＴｒａｆｆｉｃＳｉｇｎＤｅｔｅｃｔｉｏｎＢｅｎｃｈｍａｒｋ）交通标志数据集上进行实验，获得的ｍＡＰ分别为８２．７３％和９２．６６％，运行时间分别为０．０３７ｓ和０．０３３ｓ。

实验结果验证了改进网络的有效性，表明了改进网络的整体性能优于其他检测方法。

关键词 交通标志检测　ＹＯＬＯｖ３　特征提取　特征融合
中图分类号　ＴＰ３ 文献标志码　Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２１．０２．０２７
ＴＲＡＦＦＩＣＳＩＧＮＤＥＴＥＣＴＩＯＮＢＡＳＥＤＯＮＭＵＬＴＩ ＳＣＡＬＥＦＥＡＴＵＲＥＦＵＳＩＯＮＮＥＴＷＯＲＫ
ＬｉｕＳｈｅｎｇ１　ＭａＳｈｅｘｉａｎｇ１ ＭｅｎｇＸｉｎ２　ＬｉＸｉａｏ
３１
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ３００３８４，Ｃｈｉｎａ）
２
（ＴＵＴＭａｒｉｔｉｍｅＣｏｌｌｅｇｅ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ３００３８４，Ｃｈｉｎａ）
３
（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＴｉａｎｊｉｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔｉａｎｊｉｎ３００３８４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｓｌｏｗｄｅｔｅｃｔｉｏｎｓｐｅｅｄｏｆｔｒａｄｉｔｉｏｎａｌｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓａｎｄｐｏｏｒｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔｏｆｔｈｅｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｓｍａｌｌ ｓｃａｌｅｔｒａｆｆｉｃｓｉｇｎｓ，ａｎｅｗｅｎｄ ｔｏ ｅｎｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｂａｓｅｄｏｎＹＯＬＯｖ３ｉｓｐｒｏｐｏｓｅｄ．ＩｔｕｓｅｄＹＯＬＯｖ３ａｓｔｈｅｄｅｔｅｃｔｉｏｎｆｒａｍｅｗｏｒｋ．Ｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｎｅｔｗｏｒｋａｎｄｆｅａｔｕｒｅｆｕｓｉｏｎｎｅｔｗｏｒｋｗｅｒｅｉｍｐｒｏｖｅｄ，ａｎｄＫ ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｗａｓａｐｐｌｉｅｄｔｏｇｅｎｅｒａｔｅａｎｃｈｏｒｂｏｘｅｓｗｈｉｃｈｗｅｒｅｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｔｒａｆｆｉｃｓｉｇｎｓ．Ｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｓｍａｌｌ ｓｃａｌｅｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｗａｓｉｍｐｒｏｖｅｄｂｙｍａｋｉｎｇｆｕｌｌｕｓｅｏｆｍｕｌｔｉ ｓｃａｌｅｆｅａｔｕｒｅｓ．ＴｈｅｐｒｏｐｏｓｅｄｎｅｔｗｏｒｋｗａｓｅｖａｌｕａｔｅｄｏｎＴＴ１００ＫｄａｔａｓｅｔａｎｄＧＴＳＤＢｄａｔａｓｅｔ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｄｅｔｅｃｔｉｏｎｎｅｔｗｏｒｋａｃｈｉｅｖｅｓｓｔａｔｅ ｏｆ ｔｈｅ ａｒｔｐｅｒｆｏｒｍａｎｃｅｂｙｏｂｔａｉｎｉｎｇｍＡＰｏｆ８２．７３％ａｎｄ９２．６６％ｗｉｔｈａｖｅｒａｇｅｅｘｅｃｕｔｉｏｎｔｉｍｅｏｆ０．０３７ｓａｎｄ０．０３３ｓｉｎｔｗｏｄａｔａｓｅｔｓ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｖｅｒｉｆｙｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｉｍｐｒｏｖｅｄｎｅｔｗｏｒｋ，ａｎｄｔｈｅｏｖｅｒａｌｌｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｐｒｏｐｏｓｅｄｎｅｔｗｏｒｋｉｓｂｅｔｔｅｒｔｈａｎｏｔｈｅｒｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ Ｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎ　ＹＯＬＯｖ３　Ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ　Ｆｅａｔｕｒｅｆｕｓｉｏｎ
０　引　言
交通标志识别在高级辅助驾驶系统和自动驾驶中扮演重要角色，对提高驾驶员的安全性起着至关重要
的作用。

交通标志识别任务可详细分为两部分：交通
标志检测和交通标志识别。

交通标志检测主要任务是解决交通标志的定位问题，即在一幅图像或一段视频中用矩形框标记出交通标志；交通标志识别则是在检
测的基础上进一步区分矩形框中目标的详细类别［１］。

第２期 刘胜，等：基于多尺度特征融合网络的交通标志检测１５９
因交通标志有目标小、背景复杂、易受环境因素影响等特点，所以与一般目标相比更难检测。

针对这一问题，一些传统检测算法在检测精度上已取得很好的效果。

如文献［２－４］在ＧＴＳＤＢ数据集上的检测准确率约为１００％，但运行时间却无法满足快速检测的要求。

而对高级辅助驾驶系统或自动驾驶而言，检测时间是非常重要的一项技术指标，只有快速检测才能对驾驶员起到及时提醒的作用，以保证驾驶员的安全。

近年来，由于计算机性能的发展使得深度学习取得了实质性的进展。

深度学习在计算机视觉、自然语言处理等领域都有良好表现。

在计算机视觉领域中，卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）在目标检测、分类和分割等任务上都有很好的表现。

基于卷积神经网络的检测器大致可分为两类：二阶段检测器和一阶段检测器。

二阶段检测器如ＦａｓｔｅｒＲ ＣＮＮ［５］和Ｒ ＦＣＮ［６］等，相比一阶段检测器有更高的检测精度；而一阶段检测器运行速度更快，如ＹＯＬＯｖ３［７］、ＳＳＤ［８］和ＲｅｔｉｎａＮｅｔ［９］等。

近年来基于卷积神经网络的检测方法也逐渐应用于交通标志检测中，文献［１０］提出使用全卷积网络提取感兴趣区域，并利用深度卷积神经网络对目标分类。

Ａｇｈｄａｍ等［１１］提出一种利用扩张卷积在ＣＮＮ中实现多尺度滑动窗的方法，该方法在ＧＴＳＤＢ数据集上得到优异的检测结果。

Ｚｈｕ等［１２］提出一种端到端的多任务ＣＮＮ网络，可以同时实现目标的检测和分类任务。

本文针对传统检测方法检测速度慢以及深度神经网络检测精度偏低的问题，提出一种基于ＹＯＬＯｖ３的端到端交通标志检测网络。

首先，特征提取网络的最后两个尺度输出通道数量被改为１０２４，以便提取更多的全局特征信息。

通过采用减少顶层两个尺度残差块的数量和插入１×１卷积层的方法来降低计算量。

然后，融合除第一个尺度外的所有尺度特征信息，并将更大尺度特征图作为输出端之一，以便得到更多的局部特征信息。

最后，本文应用Ｋ ｍｅａｎｓ［７］聚类算法生成适合交通标志数据集的锚点框［７］。

在ＴＴ１００Ｋ（Ｔｓｉｎｇ ｈｕａ Ｔｅｎｃｅｎｔ１００Ｋ）［１２］和ＧＴＳＤＢ（ＧｅｒｍａｎＴｒａｆｆｉｃＳｉｇｎＤｅｔｅｃｔｉｏｎＢｅｎｃｈｍａｒｋ）［１３］数据集上的实验结果表明，改进网络对小尺寸交通标志检测效果有明显提升，且检测速度也优于大多数检测方法。

１　ＹＯＬＯｖ３网络
ＹＯＬＯｖ３检测网络通常应用于普通的目标检测任务，属于一阶段检测器。

该网络采用Ｄａｒｋｎｅｔ ５３作为特征提取网络，实现对图像的多尺度特征提取。

表１为Ｄａｒｋｎｅｔ ５３的具体参数配置。

Ｄａｒｋｎｅｔ ５３包含２３个残差块，每个残差块包含一个１×１卷积层和一个３×３卷积层，共５２个卷积层。

该网络实现５次下采样，能够提取不同尺度的特征。

特征提取后，网络输出８×８、１６×１６和３２×３２三个尺度的特征图。

检测网络对每个尺度预测３个边界框，每个边界框包括４个坐标参数，１个目标分数和Ｃ个类别。

因此，输出张量为Ｎ×Ｎ×［３×（４＋１＋Ｃ）］［７］，其中Ｎ×Ｎ为输出特征图的尺寸。

然后将三个输出张量分别经过预测模块、非极大值抑制（ＮｏｎＭａｘｉｍｕｍＳｕｐｐｒｅｓｓｉｏｎ，ＮＭＳ）和分数阈值过滤处理后得到相应的预测值。

表１　Ｄａｒｋｎｅｔ ５３参数配置
执行
次数
类型
滤波
器数
卷积核
尺寸
输出
尺寸１卷积层３２３×３２５６×２５６
１卷积层６４３×３／２１２８×１２８
１
卷积层３２１×１１２８×１２８
卷积层６４３×３１２８×１２８
跳跃连接 １２８×１２８
１卷积层１２８３×３／２６４×６４
２
卷积层６４１×１６４×６４
卷积层１２８３×３６４×６４
跳跃连接 ６４×６４
１卷积层２５６３×３／２３２×３２
８
卷积层１２８１×１３２×３２
卷积层２５６３×３３２×３２
跳跃连接 ３２×３２
１卷积层５１２３×３／２１６×１６
８
卷积层２５６１×１１６×１６
卷积层５１２３×３１６×１６
跳跃连接 １６×１６
１卷积层１０２４３×３／２８×８
４
卷积层５１２１×１８×８
卷积层１０２４３×３８×８
跳跃连接 ８×８
网络需要预测边界框的４个坐标参数：ｔ
ｘ
，ｔ
ｙ
，ｔ
ｗ
，
ｔ
ｈ。

（ｔ
ｘ
，ｔ
ｙ
）表示预测框相对于网格单元边界的中心。

ｔ
ｗ
和ｔ
ｈ
表示预测框相对于整幅图像的宽度和高度。

非线性变换后，预测结果定义为：
１６０
计算机应用与软件２０２１年
ｂｘ＝σ（ｔｘ）＋ｃｘｂｙ＝σ（ｔｙ）＋ｃｙｂｗ＝ｐｗｅｘｐｔｗｂｈ＝ｐｈｅｘｐｔｈ
（１）
式中：（ｃｘ，ｃｙ）是单元格相对于图像左上角的偏移量；ｐｗ和ｐｈ表示相应锚点框的宽度和高度；σ是Ｓｉｇｍｏｉｄ函数；ｂｘ、ｂｙ、ｂｗ、ｂｈ表示相对于整幅图像的４个坐标预测。

逻辑回归用于预测边界框的中心坐标，指数函数用于预测边界框的宽度和高度。

对于目标分数预测，每个网格单元首先预测３个边界框的置信度。

置信度体现了预测边界框的准确度，等于预测边界框和真实边界框之间的Ｉ
ＯＵ。

定义为：Ｐｒ（Ｏｂｊｅｃｔ）×ＩＯＵｔｒｕｔｈ
ｐｒｅｄ＝σ（ｔｏ
）（２）
式中：Ｐｒ（Ｏｂｊｅｃｔ）表示单元格是否包含目标中心点，如果该单元格中存在目标中心，则Ｐｒ
（Ｏｂｊｅｃｔ）＝１，否则Ｐｒ（Ｏｂｊｅｃｔ）＝０；ＩＯＵｔｒｕｔｈ
ｐｒｅｄ表示预测边界框和真实边界框
之间的ＩＯＵ；σ是Ｓｉｇｍｏｉｄ函数。

最后，目标分数等于类别条件概率和置信度的乘积，具体定义为：
ｂｏ＝Ｐｒ（Ｃｌａｓｓｉ｜Ｏｂｊｅｃｔ）×Ｐｒ
（Ｏｂｊｅｃｔ）×ＩＯＵｔｒｕｔｈ
ｐｒｅｄ＝Ｐｒ（Ｃｌａｓｓｉ）×ＩＯＵｔｒｕｔｈ
ｐｒｅｄ
（３）式中：ｂｏ代表目标分数；Ｐｒ（Ｃｌａｓｓｉ｜Ｏｂｊｅｃｔ）表示类别条件概率；Ｐｒ（Ｃｌａｓｓｉ
）表示预测的类别概率；ｉ为类别索引值。

每个网格单元预测Ｃ个类别概率。

预测方式如下：
Ｐｒ（Ｃｌａｓｓｉ）＝σ（ｔｃ
）（４）
式中：σ为Ｓｉｇｍｏｉｄ函数；ｔｃ
表示通过检测网络预测的类别概率。

２　多尺度特征融合网络
本节对提出的基于ＹＯＬＯｖ３的端到端卷积网络详细说明。

根据交通标志尺寸小的特点对ＹＯＬＯｖ３进行如下改进：（１）通过增加特征提取网络顶层两个尺度的输出特征图数量来提升网络对大尺寸交通标志检测效果。

（２）利用多尺度特征融合的方法解决小尺寸目标检测困难和目标尺度变化问题。

（３）利用Ｋ ｍｅａｎｓ聚类算法生成更适合交通标志的锚点框。

２．１　特征提取
特征提取网络是检测网络中必不可少的一部分，它对目标检测效果起至关重要的作用。

在ＹＯＬＯｖ３中，作者提出了特征提取网络Ｄａｒｋｎｅｔ ５３，且测试结果优于ＲｅｓＮｅｔ１０１。

本文针对交通标志尺寸小的特点改进Ｄａｒｋｎｅｔ ５３网络。

改进后共１９个残差块，４６层卷积层，具体参数如表２所示。

与Ｄａｒｋｎｅｔ ５３相比，前３５
层卷积层相同，以便在训练过程中应用迁移学习。

因
此本文对３５层之后的网络加以改进，如图１所示。

图中Ｓ
ｃａｌｅ１－Ｓｃａｌｅ５分别代表尺度为１３×１３、２６×２６、５２×５２、１０４×１０４和２０８×２０８的输出特征图。

表２　改进后特征提取网络参数配置
执行
次数类型
滤波器数卷积核
尺寸输出
尺寸１卷积层３２３×３２５６×２５６１
卷积层６４３×３／２１２８×１２８１
卷积层
３２１×１１２８×１２８卷积层６４３×３１２８×１２８跳跃连接
１２８×１２８１卷积层１２８３×３／２６４×６４２卷积层
６４１×１６４×６４卷积层１２８３×３６４×６４跳跃连接
６４×６４１卷积层２５６３×３／２３２×３２８卷积层
１２８１×１３２×３２卷积层２５６３×３３２×３２跳跃连接
３２×３２１卷积层５１２３×３／２１６×１６４卷积层
２５６１×１１６×１６卷积层５１２３×３１６×１６跳跃连接
１６×１６１卷积层１０２４１×１１６×１６２
卷积层
５１２１×１１６×１６卷积层１０２４３×３１６×１６跳跃连接
１６×１６１卷积层５１２
１×１
１６×１６１
卷积层１０２４３×３／２８×８２卷积层
５１２１×１８×８卷积层１０２４３×３８×８跳跃连接
８×８
图１　改进后检测网络整体结构
第２期
刘胜，等：基于多尺度特征融合网络的交通标志检测
１６１
首先将Ｓｃａｌｅ２的输出特征图数量由５１２改为１０２４，以便提取更多的交通标志全局特征。

为了降低计算量和网络参数，在残差块之间插入１×１卷积层，并且将Ｄａｒｋｎｅｔ ５３中Ｓｃａｌｅ１和Ｓｃａｌｅ２的残差块数量由原４个和８个分别减少至２个和６个。

然后，对残差块结构进行调整。

如图２所示，
每个残差块包含一个１×１卷积层和一个３×３卷积层，每个卷积层后采用批归一化层（ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ，ＢＮ）［１４］
处理特征。

激活层采用ＬｅａｋｙＲｅＬＵ［１５］
，并将最后的激活层移至相
加层后，
与传统的残差块结构相似。

图２　残差块结构
２．２　特征融合
特征金字塔网络（ＦｅａｔｕｒｅＰｙｒａｍｉｄＮｅｔｗｏｒｋｓ，
ＦＰＮ）［１６］在目标检测领域表现优异，大多检测网络在
特征提取后都应用Ｆ
ＰＮ来融合多尺度特征。

ＹＯＬＯｖ３中也应用类似ＦＰＮ的网络结构，通过上采样和级联的方式融合顶层三个尺度的特征，最终得到三个尺度的输出。

而提出的多尺度特征融合网络在ＦＰＮ的基础上针对交通标志尺寸小和尺度变化的问题加以改进，如图１所示。

由于第一个卷积层存在过多冗余信息，因此该方法融合除第一个卷积层外的所有尺度特征。

首先，将原Ｓｃａｌｅ３输出端调整为Ｓｃａｌｅ４，以便提取更多的细粒度信息。

其次，将Ｓｃａｌｅ３特征通过最大值池化（
Ｍａｘｐｏｏｌｉｎｇ）处理后分别与Ｓｃａｌｅ１和Ｓｃａｌｅ２两个尺度特征相加。

然后，将Ｓｃａｌｅ５特征通过最大值池化（Ｍａｘｐｏｏｌｉｎｇ）处理后与Ｓｃａｌｅ４特征相加，并将Ｓｃａｌｅ１特征上采样后与Ｓｃａｌｅ２特征相加。

将融合后的Ｓｃａｌｅ２特征经过上采样后与Ｓｃａｌｅ４相加。

最终把融合后的Ｓｃａｌｅ１、Ｓｃａｌｅ２、Ｓｃａｌｅ４三个尺度特征输入卷积模块处理。

特征融合后，采用ＹＯＬＯｖ３的预测方法预测相应的边界框、目标分数和类别。

对于边界框的预测，首先要为每个尺度设置３个锚点框，共９个锚点框。

不同于一般的检测目标，交通标志的真实边界框的横纵比约为１∶１。

因此，本文采用Ｋ ｍｅａｎｓ聚类算法生成更
适合交通标志的锚点框。

距离度量定义为：
ｄ（ｂｏｘ，ｃｅｎｔｒｏｉｄ）＝１－ＩＯＵ（ｂｏｘ，ｃｅｎｔｒｏｉｄ）
（５）
式中：ＩＯＵ（ｂｏｘ，ｃｅｎｔｒｏｉｄ）是真实边界框和计算所得的锚点框的交并比（
ＩｎｔｅｒｓｅｃｔｉｏｎＯｖｅｒＵｎｉｏｎ，ＩＯＵ）。

将ＴＴ１００Ｋ数据集的锚点框设置为（１７，１９）、（２４，２６）、（３０，３３）、（３８，４０）、（４７，５２）、（６０，６４）、（７５，７９）、（９６，１０２）、（１４１，１４７）。

将ＧＴＳＤＢ数据集的锚点框设置为（２２，２２）、（２７，２７）、（３３，３３）、（３８，３７）、（４２，４１）、（４８，４８）、（５８，５８）、（７６，７３）、（１０８，１０６）。

３　实　验
实验平台配备双路ＴＩＴＡＮＸｐＧＰＵ，Ｉｎｔｅｌ（Ｒ）Ｃｏｒｅ（ＴＭ）ｉ７－７８００ＸＣＰＵ，３．５ＧＨｚ×１２，３２ＧＢ内存，Ｕｂｕｎｔｕ１６．０４操作系统。

选用两个交通标志数据集基准作为训练和测试数据，分别为ＴＴ１００Ｋ和ＧＴＳＤＢ。

ＴＴ１００Ｋ是中国交通标志数据集基准，该数据集包含大量中国交通标志图像，每幅图像的分辨率为２０４８×２０４８，且涵盖了多种不同光照条件下的交通标志。

与
其他交通数据集相比，该数据集数据丰富，且包含更小的交通标志，因此检测难度更大。

ＴＴ１００Ｋ的训练集包含６１０５幅图像，测试集包含３０７１幅图像。

根据交通标志的含义将数据标注为３类：
Ｐｒｏｈｉｂｉｔｏｒｙ、Ｍａｎｄａｔｏｒｙ和Ｄａｎｇｅｒ。

ＧＴＳＤＢ交通标志数据集是德国现实交通标志数据集，该数据集包含６００幅训练图像和３００幅测试图像，每幅图像的分辨率为１３６０×８００，且覆盖了不同光照条件下的交通标志。

本文将该数据集标注为与Ｔ
Ｔ１００Ｋ相同的三类。

实验中采用Ｋ
ｅｒａｓ深度学习框架搭建模型。

在训练图像输入模型前，首先将图像尺寸都缩放为４１６×４１６
，然后对训练数据进行数据增强，如图像翻转、扭曲、旋转等。

在训练时，应用迁移学习的方法来加速训练，将在Ｉｍａｇｅｎｅｔ数据集中训练好的Ｄａｒｋｎｅｔ ５３的前３５层卷积层权重导入模型。

首先冻结前３５层，训练３５层之后的网络。

在迭代５０次之后解除冻结，并微调模型中所有层。

最终训练至损失收敛则停止训练。

表３为训练中超参数的详细配置。

表３　超参数配置
超参数名称冻结解除冻结学习率０．０１０００．０００１动量０．９０．９学习率衰减０．０００５０．０００５批量大小
１６
８
１６２
计算机应用与软件
２０２１年
３．１　准确度评价指标
平均精度均值（ｍＡＰ）是目前目标检测领域中评估检测准确度最常用的指标之一。

本文采用ｍＡＰ来评估检测网络的检测精度。

首先，计算精确率（ｐｒｅｃｉ ｓｉｏｎ）和召回率（ｒｅｃａｌｌ）：
ｐｒｅｃｉｓｉｏｎ＝ＴＰＴＰ＋ＦＰ　ｒｅｃａｌｌ＝
ＴＰ
ＴＰ＋
ＦＮ（６）
式中：ＴＰ、ＦＰ、ＦＮ分别表示正确识别的正样本、错误识
别的正样本和错误识别的负样本。

ＡＰ近似等于ｐｒｅｃｉｓｉｏｎ／ｒｅｃａｌｌ曲线下面积，定义如下：
ＡＰｉ＝∑Ｎ
ｋ＝
１ｐ
（ｋ）Δｒ（ｋ）（７）
式中：ｐ（ｋ）为召回率变化点ｋ对应的精确率；Δｒ（ｋ）为变化点ｋ对应的召回率的变化量；Ｎ为召回率变化点的数量；不同类别ＡＰ不同，ｉ为类别的索引值。

召回率ｋ对应的准确率ｐ（ｋ）为任何召回率在ｋ～
≥ｋ
时的最大准确率，ｐ（ｋ～
）为召回率ｋ～
对应的准确率［１７］
，ｐ（ｋ）定
义如下：
ｐ（ｋ）＝ｍａｘｋ：ｋ≥ｋ
ｐ（ｋ～
）
（８）
ｍＡＰ等于所有类别ＡＰ的均值，定义如下：
ｍＡＰ＝１
ｍ∑ｍ
ｉ
＝１ＡＰｉ
（９）
式中：ｍ为类别数量。

通过计算预测边界框（Ｂｐ）和真实边界框（Ｂｇｔ
）之间的交并比来验证预测的准确度。

ＩＯＵ定义如下：　ＩＯＵ＝ａｒｅａ（Ｂｇｔ∩Ｂｐ
）ａｒｅａ（Ｂｇｔ）＋ａｒｅａ（Ｂｐ）－ａｒｅａ（Ｂｇｔ∩Ｂｐ）（１０）
式中：ａｒｅａ（Ｂｇｔ）、ａｒｅａ（Ｂｐ）和ａｒｅａ（Ｂｇｔ∩Ｂｐ）分别表示真实边界框的面积、预测边界框的面积和真实边界框与预测边界框相交的面积。

与传统检测算法比较曲线下面积（ＡｒｅａＵｎｄｅｒＣｕｒｖｅ，ＡＵＣ）来分析改进网络的检测精度。

ＡＵＣ可通过数值积分直接计算ＲＯＣ曲线下面积得到。

ＡＵＣ数值越大，检测网络性能越好，相反则性能越差。

３．２　实验结果分析
（１）ＴＴ１００Ｋ实验结果分析。

由于ＴＴ１００Ｋ交通标志数据集与其他数据集相比目标尺寸更小，图像分辨率更高，因此本节选用ＴＴ１００Ｋ来评估改进网络对小尺寸交通标志的检测能力。

通过对ＹＯＬＯｖ３应用消融实验来验证改进方法的有效性。

采用不同方法改进ＹＯＬＯｖ３后的检测ｍＡＰ如表４所示。

由实验结果可知，改进的三部分都能实现对检测网络的性能提升，其中多尺度特征融合网络对检测准确度的影响最大，
ｍＡＰ约提升５个百分点。

ＹＯＬＯｖ３在应用全部改进方法后实现了最佳检测性能。

后文实验中的改进网络即为应用全部改进方案的检测网络。

表４　改进部分有效性分析
基础网络
改进特征
提取网络
多尺度特征
融合网络
更适合的锚点框
ｍＡＰ／％ＹＯＬＯｖ３
×××７６．５９√
××７８．３３×√×８１．５９××√７７．６２√
√
√
８２．７３
为了比较改进网络的检测效果，本文分别对改进网络、ＹＯＬＯｖ３、ＦａｓｔｅｒＲ ＣＮＮＲｅｓｎｅｔ５０、ＲｅｔｉｎａＮｅｔＲｅｓ ｎｅｔ５０四种模型训练和测试。

四种模型的分数阈值设置为０．３，ＩＯ
Ｕ阈值为０．５。

图３为三种类别的ｐｒｅｃｉ ｓｉｏｎ／ｒｅｃａｌｌ曲线图。

改进网络的精确率和召回率都优于其他三个模型。

其中：ＲｅｔｉｎａＮｅｔＲｅｓｎｅｔ５０的召回率最低，而ＦａｓｔｅｒＲ ＣＮＮＲｅｓｎｅｔ５０的准确率较差。

改进网络的三种类别的平均精度分别为８
１．７３％、８０．５６％和８５．８８％，都高于ＹＯＬＯｖ３的检测结果。

所以，对于小尺寸的交通标志，改进网络的检测效果更佳。

第２期
刘胜，等：基于多尺度特征融合网络的交通标志检测
１６３
图３　四种检测网络的ｐｒｅｃｉｓｉｏｎ／ｒｅｃａｌｌ曲线分析
运行时间对于交通标志检测是非常重要的因素。

在运行时间上，四个网络使用相同设备测试评估。

图４为运行时间与ｍＡＰ关系。

运行速度最快的为ＹＯＬＯｖ３，每幅图像运行时间约为３１．４ｍｓ，ｍＡＰ为７６．５９％。

改进网络的运行时间约为３７．２ｍｓ，ｍＡＰ为８２．７３％。

ＦａｓｔｅｒＲ ＣＮＮＲｅｓｎｅｔ５０和ＲｅｔｉｎａＮｅｔＲｅｓ ｎｅｔ５０检测准确度偏低，且运行速度较慢。

总体来说，
改进网络的整体性能更好。

图４　基于ＴＴ１００Ｋ的运行时间与ｍＡＰ分析
最后，测试了不同ＩＯＵ下四种模型的ｍＡＰ，结果如图５所示，ＩＯＵ取值范围为［０．１，１．０］。

在ＩＯＵ∈［０．４，０．６］时四种模型的ｍＡＰ均已达到最大值。

结合目前目标检测任务中ＩＯＵ阈值大多取值范围在［０．４，０．６］，最终设置四个网络的ＩＯＵ阈值为０．５，并且其他实验的ＩＯＵ阈值均设置为０．５。

图５　最佳ＩＯＵ阈值分析（２）ＧＴＳＤＢ实验结果分析。

ＧＴＳＤＢ是目前交通标志检测任务中应用最广泛的数据集，应用该数据集原因在于一些优秀的交通标志检测算法或深度网络大多都针对ＧＴＳＤＢ数据集训练和测试。

在训练中，使用迁移学习的方法，微调由ＴＴ１００Ｋ数据集训练好的网络。

该方法得到的检测结果要远优于微调Ｉｍａｇｅｎｅｔ预训练模型。

实验中设置分数阈值为０．３，ＩＯＵ阈值为０．５。

表５为深度网络的对比结果。

可以看出改进网络对三种类别的召回率和平均精度均达到最佳。

因此，与其他深度网络相比，改进网络在检测精度上表现
更好。

表５　四种网络准确率对比分析
％检测网络类别精确率召回率平均精度ＦａｓｔｅｒＲ ＣＮＮ
ＲｅｓＮｅｔ５０
［１７］
Ｐｒｏｈｉｂｉｔｏｒｙ９１
．３８９８．７５９８．６２Ｍａｎｄａｔｏｒｙ７０．００８５．７１８５．１５Ｄａｎｇｅｒ７９．４５９２．０６９０．７８ＳＳＤＩｎｃｅｐｔｉｏｎ
Ｖ２
［１７］Ｐｒｏｈｉｂｉｔｏｒｙ
９６．９５７８．８８７８．７７Ｍａｎｄａｔｏｒｙ９０．００５５．１０５４．４６Ｄａｎｇｅｒ９３．１８６５．０８６５．０５ＹＯＬＯｖ３
Ｐｒｏｈｉｂｉｔｏｒｙ
９４．５５９７．１２９６．４２Ｍａｎｄａｔｏｒｙ８３．３３８２．４６８１．３８Ｄａｎｇｅｒ９５．０８９２．３５９２．０４Ｏｕｒｓ
Ｐｒｏｈｉｂｉｔｏｒｙ
８８．８７９９．３５９８．７５Ｍａｎｄａｔｏｒｙ８６．００８８．４５８５．７４Ｄａｎｇｅｒ
９５．１６
９４．４８
９３．４９
如图６所示，在运行时间上，改进网络运行时间约为３２．８ｍｓ，ｍＡＰ约为９２．６６％。

一阶段检测器的表现优于二阶段检测器，其中表现最好的是ＳＳＤＩｎｃｅｐｔｉｏｎＶ２模型，但其检测效果最差。

对于综合运行时间和ｍＡＰ，改进网络的性能优于其他深度网络。

图６　基于ＧＴＳＤＢ的运行时间与ｍＡＰ分析
１６４
计算机应用与软件２０２１年
最后，将改进网络与传统检测方法对比分析。

传
统检测方法中对于ＧＴＳＤＢ数据集的个别类别的检测
准确度已经达到１００％［２］，但这些方法的运行时间不
能达到现实应用的要求。

表６为不同检测方法对三种
类别的检测ＡＵＣ和运行时间。

文献［２］在Ｐｒｏｈｉｂｉｔｏｒｙ
类的ＡＵＣ达到１００％，Ｄａｎｇｅｒ类也已达到９８．８５％，但
运行时间较慢。

文献［１９］中的方法在运行时间上有
所提升，基本达到实时检测的要求，检测ＡＵＣ也表现
良好。

改进网络的检测精度可达到与文献［１９］相当
的检测水平，但运行时间约为文献［１９］的１／５。

因此，
与传统检测方法相比，改进网络在保证检测精度的同
时能够实现快速检测。

表６　不同检测方法的ＡＵＣ及运行时间对比
检测方法类别ＡＵＣ／％运行时间／ｓ
文献［２］Ｐｒｏｈｉｂｉｔｏｒｙ１００．００
０．４～１．０Ｍａｎｄａｔｏｒｙ９２．００
Ｄａｎｇｅｒ９８．８５
文献［１８］Ｐｒｏｈｉｂｉｔｏｒｙ９９．９８
３．０３２Ｍａｎｄａｔｏｒｙ９５．７６
Ｄａｎｇｅｒ９８．７２
文献［１９］Ｐｒｏｈｉｂｉｔｏｒｙ９９．２９
０．１６２Ｍａｎｄａｔｏｒｙ９６．７４
Ｄａｎｇｅｒ９７．１３
本文方法Ｐｒｏｈｉｂｉｔｏｒｙ９９．４４
０．０３３Ｍａｎｄａｔｏｒｙ９５．０９
Ｄａｎｇｅｒ９６．６７
４　结　语
交通标志检测是计算机视觉中的一个重要研究方向，对自动驾驶和高级辅助驾驶系统的研究也有重要意义。

交通标志因目标尺寸小、背景复杂、容易受环境因素的影响等特点，与传统的目标相比更难检测。

本文针对传统检测方法检测慢和深度网络检测精度偏低的问题，提出一个基于ＹＯＬＯｖ３的端到端检测网络。

通过对ＹＯＬＯｖ３中特征提取网络和特征融合网络加以改进，使得检测网络对小尺寸目标检测效果更佳。

采用ＴＴ１００Ｋ和ＧＴＳＤＢ两个数据集来评估改进网络的检测性能。

通过与不同检测方法的检测精度和运行时间的对比，验证了改进网络的有效性。

从实验数据可以看出检测网络对Ｍａｎｄａｔｏｒｙ类检测效果较差，主要原因是ＧＴＳＤＢ训练集的类别不平衡。

未来将主要针对检测网络召回率偏低和数据集类别不平衡的问题加以改进，将交通标志分为更详细的类别，从而实现交通标志识别系统的实时检测和识别。

参考文献
［１］Ａｒｃｏｓ ＧａｒｃíａＡ，áｌｖａｒｅｚ ＧａｒｃíａＪＡ，Ｓｏｒｉａ ＭｏｒｉｌｌｏＬＭ．Ｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｔｒａｆｆｉｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｓ：Ａｎ
ａｎａｌｙｓｉｓｏｆｓｐａｔｉａｌｔｒａｎｓｆｏｒｍｅｒｓａｎｄｓｔｏｃｈａｓｔｉｃｏｐｔｉｍｉｓａｔｉｏｎ
ｍｅｔｈｏｄｓ［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２０１８，９９：１５８－１６５．［２］ＬｉａｎｇＭ，ＹｕａｎＭ，ＨｕＸ，ｅｔａｌ．ＴｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｂｙＲＯＩｅｘｔｒａｃｔｉｏｎａｎｄｈｉｓｔｏｇｒａｍｆｅａｔｕｒｅｓ ｂａｓｅｄｒｅｃｏｇｎｉｔｉｏｎ
［Ｃ］／／Ｔｈｅ２０１３ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌ
Ｎｅｔｗｏｒｋｓ（ＩＪＣＮＮ），２０１３：１－８．
［３］ＭａｔｈｉａｓＭ，ＴｉｍｏｆｔｅＲ，ＢｅｎｅｎｓｏｎＲ，ｅｔａｌ．Ｔｒａｆｆｉｃｓｉｇｎｒｅｃｏｎｉｔｉｏｎ—Ｈｏｗｆａｒａｒｅｗｅｆｒｏｍｔｈｅｓｏｌｕｔｉｏｎ？［Ｃ］／／Ｔｈｅ
２０１３ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ
（ＩＪＣＮＮ），２０１３：１－８．
［４］ＷａｎｇＧ，ＲｅｎＧ，ＷｕＺ，ｅｔａｌ．Ａｒｏｂｕｓｔ，ｃｏａｒｓｅ ｔｏ ｆｉｎｅｔｒａｆ ｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄ［Ｃ］／／Ｔｈｅ２０１３ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔ
ＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＩＪＣＮＮ），２０１３：１－５．［５］ＲｅｎＳ，ＧｉｒｓｈｉｃｋＲ，ＧｉｒｓｈｉｃｋＲ，ｅｔａｌ．ＦａｓｔｅｒＲ ＣＮＮ：Ｔｏ ｗａｒｄｓｒｅａｌ ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔ
ｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ＆Ｍａ
ｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．
［６］ＤａｉＪ，ＬｉＹ，ＨｅＫ，ｅｔａｌ．Ｒ ＦＣＮ：Ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｖｉａｒｅ ｇｉｏｎ ｂａｓｅｄｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ［Ｃ］／／３０ｔｈＩｎｔｅｒｎａ
ｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，
２０１６：３７９－３８７．
［７］ＲｅｄｍｏｎＪ，ＦａｒｈａｄｉＡ．ＹＯＬＯｖ３：Ａｎｉｎｃｒｅｍｅｎｔａｌｉｍｐｒｏｖｅ ｍｅｎｔ［ＥＢ］．ａｒＸｉｖ：１８０４．０２７６７，２０１８．
［８］ＬｉｕＷ，ＡｎｇｕｅｌｏｖＤ，ＥｒｈａｎＤ，ｅｔａｌ．ＳＳＤ：Ｓｉｎｇｌｅｓｈｏｔｍｕｌｔｉｂｏｘｄｅｔｅｃｔｏｒ［Ｃ］／／ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ
Ｖｉｓｉｏｎ，２０１６．
［９］ＬｉｎＴＹ，ＧｏｙａｌＰ，ＧｉｒｓｈｉｃｋＲ，ｅｔａｌ．Ｆｏｃａｌｌｏｓｓｆｏｒｄｅｎｓｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓ
＆ＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，９９：２９９９－３００７．
［１０］ＺｈｕＹ，ＺｈａｎｇＣ，ＺｈｏｕＤ，ｅｔａｌ．Ｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇｆｕｌｌｙｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｇｕｉｄｅｄｐｒｏｐｏｓ
ａｌｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１６，２１４：７５８－７６６．
［１１］ＡｇｈｄａｍＨＨ，ＨｅｒａｖｉＥＪ，ＰｕｉｇＤ．ＡｐｒａｃｔｉｃａｌａｐｐｒｏａｃｈｆｏｒｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｒａｆｆｉｃｓｉｇｎｓｕｓｉｎｇＣｏｎｖｏｌｕ
ｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｊ］．ＲｏｂｏｔｉｃｓａｎｄＡｕｔｏｎｏｍｏｕｓＳｙｓ
ｔｅｍｓ，２０１６，８４：９７－１１２．
［１２］ＺｈｕＺ，ＬｉａｎｇＤ，ＺｈａｎｇＳ，ｅｔａｌ．Ｔｒａｆｆｉｃ Ｓｉｇｎｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｉｎｔｈｅｗｉｌｄ［Ｃ］／／ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔ
ｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，２０１６．
（下转第２４９页）
第２期 张晓通，等：基于遗传 狮群算法优化的独立分量分析算法２４９
４　结　语
本文结合了遗传算法和狮群算法的优点，提出了一种遗传 狮群算法ＧＡ＿ＬＳＯ，并应用于优化ＩＣＡ。

所提算法通过每次迭代中选取遗传算法和狮群算法的最优值，提高了混合算法的性能，较好地减少了遗传算法出现早熟收敛的概率并且克服了狮群算法收敛精度不高等缺点。

通过６个基准测试函数的实验表明，本文提出的ＧＡ＿ＬＳＯ具有较高的收敛精度、较快的收敛速度和较好的鲁棒性，且能有效处理高维复杂函数的寻优问题。

通过对混合图像的仿真实验表明，基于ＧＡ＿ＬＳＯ优化的ＩＣＡ算法是一种有效的盲源信号分离算法，能够有效提升盲源信号的分离质量，在信号处理中具有广泛的应用前景。

参考文献
［１］张贤达，保铮．盲信号分离［Ｊ］．电子学报，２００１，３９（Ｓ１）：１７６６－１７７１．
［２］ＭｕｒａｔａＮ，ＩｋｅｄａＳ，ＺｉｅｈｅＡ．Ａｎａｐｐｒｏａｃｈｔｏｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｂａｓｅｄｏｎｔｅｍｐｏｒａｌｓｔｒｕｃｔｕｒｅｏｆｓｐｅｅｃｈｓｉｇｎａｌｓ［Ｊ］．
Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００１，４１（１－４）：１－２４．
［３］ＲｉｖｅｔＢ，ＧｉｒｉｎＬ，ＪｕｔｔｅｎＣ．Ｍｉｘｉｎｇａｕｄｉｏｖｉｓｕａｌｓｐｅｅｃｈｐｒｏ ｃｅｓｓｉｎｇａｎｄｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｆｏｒｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｓｐｅｅｃｈｓｉｇｎａｌｓｆｒｏｍｃｏｎｖｏｌｕｔｉｖｅｍｉｘｔｕｒｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃ
ｔｉｏｎｓｏｎＡｕｄｉｏ，ＳｐｅｅｃｈａｎｄＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ，２００７，１５
（１）：９６－１０８．
［４］王川川，曾勇虎．欠定盲源分离算法的研究现状及展望［Ｊ］．北京邮电大学学报，２０１８，４１（６）：１０３－１０９．
［５］ＣｏｍｏｎＰ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ａｎｅｗｃｏｎｃｅｐｔ？
［Ｊ］．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ，１９９４，３６（３）：２８７－３１４．
［６］华容，苏中义．基于遗传算法过程信号的盲分离［Ｊ］．上海交通大学学报，２００１，３５（２）：３１９－３２２．
［７］ＬｉｎＣＬ，ＨｓｉｅｈＳＴ，ＳｕｎＴＹ，ｅｔａｌ．ＰＳＯ ｂａｓｅｄｌｅａｒｎｉｎｇｒａｔｅａｄｊｕｓｔｍｅｎｔｆｏｒｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ［Ｃ］／／２００５Ｉｎｔｅｒ
ｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍｏｎＩｎｔｅｌｌｉｇｅｎｔＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ＆Ｃｏｍ
ｍｕｎｉｃａｔｉｏｎＳｙｓｔｅｍｓ．ＩＥＥＥ，２００５：１８１－１８４．
［８］彭安洪，赖惠成．一种采用云自适应粒子群算法的盲源分离［Ｊ］．计算机仿真，２０１３，３０（９）：３４０－３４３，３５３．
［９］ＹａｚｄａｎｉＭ，ＪｏｌａｉＦ．Ｌｉｏｎｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＬＯＡ）：Ａｎａｔｕｒｅ ｉｎｓｐｉｒｅｄｍｅｔａｈｅｕｒｉｓｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍ
ｐｕｔａｔｉｏｎａｌＤｅｓｉｇｎ＆Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６，３（１）：２４－３６．
［１０］杨福生，洪波．独立分量分析的原理与应用［Ｍ］．北京：清华大学出版社，２００６．
［１１］周明，孙树栋．遗传算法原理及应用［Ｍ］．北京：国防工业出版社，１９９９．
［１２］冯智莉，易国洪，李普山，等．并行化遗传算法研究综述［Ｊ］．计算机应用与软件，２０１８，３５（１１）：１－７，８０．
［１３］ＲａｊａｋｕｍａｒＢＲ．Ｔｈｅｌｉｏｎ ｓａｌｇｏｒｉｔｈｍ：Ａｎｅｗｎａｔｕｒｅ ｉｎｓｐｉｒｅｄ
ｓｅａｒｃｈａｌｇｏｒｉｔｈｍ［Ｊ］．ＰｒｏｃｅｄｉａＴｅｃｈｎｏｌｏｇｙ，２０１２，６：１２６－
１３５．　
［１４］ＷａｎｇＢ，ＪｉｎＸＰ，ＣｈｅｎｇＢ．Ｌｉｏｎｐｒｉｄｅｏｐｔｉｍｉｚｅｒ：Ａｎｏｐｔｉ ｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｓｐｉｒｅｄｂｙｌｉｏｎｐｒｉｄｅｂｅｈａｖｉｏｒ［Ｊ］．Ｓｃｉ ｅｎｃｅＣｈｉｎａ：ＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｓ，２０１２，５５（１０）：２３６９－
２３８９．　
［１５］张聪明，刘立群，马立群．一种新的群智能算法：狮群算法［Ｊ］．计算机科学，２０１８，４５（Ｓ１）：１１４－１１６．
［１６］刘生建，杨艳，周永权．一种群体智能算法———狮群算法［Ｊ］．模式识别与人工智能，２０１８，３１（５）：４３１－４４１．
［１７］陈雷．基于群智能优化方法的盲信号分离算法研究［Ｄ］．天津：天津大学，２０１１．
［１８］ＨｙｖａｒｉｎｅｎＡ，ＯｊａＥ．Ｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ：ａｌｇｏ ｒｉｔｈｍｓａｎｄａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２０００，１３（４）：
４１１－４３０．
［１９］兰红，金绍斌．粒子群优化的ＣＮＮ互信息医学图像配准算法［Ｊ］．计算机应用与软件，２０１５，３２（１２）：２０１－２０５．［２０］褚鼎立，陈红，宣章健．基于改进鲸鱼优化算法的盲源分离方法［Ｊ］．探测与控制学报，２０１８，４０（５）：７６－８１．
［２１］尚猛，康建英，曹峻玮，等．基于改进鲸鱼优化算法的物流配送中心选址策略［Ｊ］．计算机应用与软件，２０１９，３６（６）：
２５４－２５９．
［２２］罗佳，唐斌．基于收敛因子非线性动态变化的灰狼优化算法［Ｊ］．中国科技论文，２０１６，１１（１７）：
１９９１－１９９７．
（上接第１６４页）
［１３］ＨｏｕｂｅｎＳ，ＳｔａｌｌｋａｍｐＪ，ＳａｌｍｅｎＪ，ｅｔａｌ．Ｄｅｔｅｃｔｉｏｎｏｆｔｒａｆｆｉｃｓｉｇｎｓｉｎｒｅａｌ ｗｏｒｌｄｉｍａｇｅｓ：ＴｈｅＧｅｒｍａｎｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎ
ｂｅｎｃｈｍａｒｋ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ，２０１３：１－８．
［１４］ＩｏｆｆｅＳ，ＳｚｅｇｅｄｙＣ．Ｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ：Ａｃｃｅｌｅｒａｔｉｎｇｄｅｅｐｎｅｔｗｏｒｋｔｒａｉｎｉｎｇｂｙｒｅｄｕｃｉｎｇｉｎｔｅｒｎａｌｃｏｖａｒｉａｔｅｓｈｉｆｔ［Ｃ］／／３２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎ
ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２０１５：４４８－４５６．
［１５］ＭａａｓＡ，ＨａｎｎｕｎＡ，ＮｇＡ．Ｒｅｃｔｉｆｉｅｒｎｏｎｌｉｎｅａｒｉｔｉｅｓｉｍｐｒｏｖｅｎｅｕｒａｌｎｅｔｗｏｒｋａｃｏｕｓｔｉｃｍｏｄｅｌｓ［Ｃ］／／３０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ ｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２０１３．
［１６］ＬｉｎＴＹ，ＤｏｌｌáｒＰ，ＧｉｒｓｈｉｃｋＲ，ｅｔａｌ．Ｆｅａｔｕｒｅｐｙｒａｍｉｄｎｅｔ ｗｏｒｋｓｆｏｒｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０１７ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎ
ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ），２０１７：
９３６－９４４．
［１７］Ａｒｃｏｓ ＧａｒｃíａＡ，áｌｖａｒｅｚ ＧａｒｃíａＪＡ，Ｓｏｒｉａ ＭｏｒｉｌｌｏＬＭ．Ｅｖａｌｕａｔｉｏｎｏｆｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓｆｏｒｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎ
ｓｙｓｔｅｍｓ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２０１８，３１６：３３２－３４４．
［１８］ＳａｌｔｉＳ，ＰｅｔｒｅｌｌｉＡ，ＴｏｍｂａｒｉＦ，ｅｔａｌ．Ａｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎｐｉｐｅｌｉｎｅｂａｓｅｄｏｎｉｎｔｅｒｅｓｔｒｅｇｉｏｎｅｘｔｒａｃｔｉｏｎ［Ｃ］／／Ｔｈｅ２０１３
ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｉｎｔＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＮｅｔｗｏｒｋｓ（ＩＪＣ ＮＮ），２０１３：１－７．
［１９］ＹａｎｇＹ，ＬｕｏＨ，ＸｕＨ，ｅｔａｌ．Ｔｏｗａｒｄｓｒｅａｌ ｔｉｍｅｔｒａｆｆｉｃｓｉｇｎｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌ ｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，２０１６，１７（７）：２０２２－２０３１．。