第46卷第1期2023年2月电子器件ChineseJournalofElectronDevicesVol.46No.1Feb．2023项目来源:国家科技部重点研发专项项目(2017YFE0135700);河北省工业智能感知重点实验室唐山市科技计划项项目(19150230E)收稿日期:2021－12－07修改日期:2022－01－07TrafficSignＲecognitionAlgorithmBasedonWeakLight*ZHANGNa，LIZhigang*(CollegeofArtificialIntelligence，NorthChinaUniversityofScienceandTechnology，TangshanHebei063210，China)Abstract:Aimingattheproblemthattrafficsignsaredifficulttoberecognizedduetothepoorqualityofimagesobtainedbyautomaticdrivingsensingequipmentunderweaklightenvironment，atrafficsignrecognitionmethodunderweaklightisproposed．AnimprovedＲegnetmodelisusedtoidentifytrafficsignimagesillumination-enhancedbyＲetinexNetmodel．Experimentalresultsshowthatthepro-posedrecognitionmethodcanreach99．67%ofaccuracy，100%ofF1value，100%ofrecallrateand100%ofprecisiononthedatasetoftrafficsignsunderweaklight．ComparedwiththeclassicaldeeplearningＲesnet101model，thefourevaluationindexesareimprovedby1．43%，1．91%，1．9%and1．48%respectively．Keywords:trafficsignrecognition;regnet;ＲentinexNet;ACBlock;SEEEACC:6135doi:10．3969/j．issn．1005－9490．2023．01．018一种弱光照交通标志识别方法*张娜，李志刚*(华北理工大学人工智能学院，河北唐山063210)摘要:针对弱光照环境下自动驾驶感知设备获取的图像质量不佳，从而导致交通标志难以识别的问题，提出了一种针对弱光照的交通标志识别方法，即将弱光照交通标志图片经ＲetinexNet模型进行光照增强后，采用改进Ｒegnet模型对光照增强的交通标志图片进行识别。实验结果表明，在弱光照交通标志数据集上，所提出的识别方法准确率可达99．67%，F1值可达100%，召回率可达100%，精确度可达100%。与经典深度学习Ｒesnet101模型相比，四项评价指标分别提高了1．43%，1．91%，1．9%和1．48%。关键词:交通标志识别;Ｒegnet;ＲentinexNet;ACBlock;SE中图分类号:U463．6文献标识码:A文章编号:1005－9490(2023)01－0103－06受自然天气的影响，难免会出现阴天雨雪或傍晚等光照较弱的情况，使得自动驾驶感知设备获取交通标志图像质量不佳，给交通标志识别带来困难。面对弱光照环境下交通标志识别困难的情况，进行增强光照任务，可以达到提高识别...
