Yolov8是目标检测领域的算法，Yolov8的核心思想是将目标检测任务转化为单一的神经网络执行，实现了端到端的训练和目标检测，并且使用了更强大的Backbone网络，采用更高分辨率输入图像以提高检测速度，以及引入一些优化策略来提高推理速度 [11] 。

Yolov8算法是由Ultralytics LCC公司在Yolov5模型上改进的单阶段检测模型 [11] ，其结构模型如 图1 所示，Yolov8网络由主干网络(backbone)、颈部网络(neck)和头部网络(head)组成，主干网络负责特征提取，颈部主要对特征图进行融合，头部进行预测。

在道路交通标志识别中小目标图像识别是一大难点，原因在于小目标较小，往往在特征图就丢失了细微特征。因此，在yolov8中加入DSPC算法。

DSPC主要原理是：首先，DSPC通过学习或设计生成一个初始的卷积核，然后对输入特征图动态的调整卷积核形状，使之更适应当前目标的尺度和形状，调整后的卷积核再次对输入特征进行卷积操作，以及提取更准确的目标特征，最后，将经过动态蛇形卷积操作得到的特征与其它层的特征进行融合，以获取更全面的和准确的特征表示。

以标准2D卷积3*3卷积核K为例，其公示如下：

$K=\left\{\left(x-1,y-1\right),\left(x-1,y\right),\cdots ,\left(x+1,y+1\right)\right\}$(1)

式中：(x, y)为卷积核的中心坐标，(x + m, y + n)为初始坐标(x, y)的偏移量，其中m和n为水平和垂直方向上的移动量。

为了使卷积核更加灵活的关注目标图像的几何特征，引入了偏移量∆，但是让模型自由学习变形偏移量，则感知范围容易偏移目标，所以本文采用迭代策略，对每个待处理的目标依次选择观察位置，这样既保证了注意力的连续性，又不会因为变形量偏大使感知范围过于分散。

在DSConv中，在X轴和Y轴上拉直卷积核。以大小为9的卷积核为示范，并且以坐标轴为例，K中每一个网格具体位置表示为：K_i±c=(x_i±c, y_i±c)，其中c = {0,1,2,3,4}表示与中心网格的水平距离。卷积核K中每个网格位置K_i±c的选择是一个累积过程。从中心位置K_i开始，距离中心网格的位置取决于前一个网格的位置：K_i+1与K_i相比增加了一个偏移量 $\Delta =\left\{\delta |\delta \in \left[-1,1\right]\right\}$。因此，偏移量需要求和，从而确保卷积核符合线性形态结构 [12] 。

在x轴方向上为：

$K_{i\pm c}=\{\begin{array}{l}\left(x_{i+c},y_{i+c}\right)=\left(x_i+c,y_i+{\Sigma }_i^{i+c}\Delta y\right),\hfill \\ \left(x_{i-c},y_{i-c}\right)=\left(x_i-c,y_i+{\Sigma }_{i-c}^i\Delta y\right),\hfill \end{array}$(2)

在y轴方向上为：

$K_{i\pm c}=\{\begin{array}{l}\left(x_{j+c},y_{j+c}\right)=\left(x_j+c,y_j+{\Sigma }_j^{j+c}\Delta y\right),\hfill \\ \left(x_{j-c},y_{j-c}\right)=\left(x_j-c,y_j+{\Sigma }_{j-c}^j\Delta y\right),\hfill \end{array}$(3)

由于偏移量∆通常为分数，双线性插值实现如下：

$K={\Sigma }_{K^{\prime }}B\left(K^{\prime },K\right)\cdot K^{\prime }$(4)

由以上公式可得得到一个原理图如 图2 所示(此图是以3*3卷积核为例)。

采用以上方法可以在交通标志图像别中，动态蛇形卷积可以根据目标的尺寸和形状动态的调整卷积核大小。

由于交通标志目标检测背景复杂，为了应对模型在复杂多变的环境的影响，在Yolov8骨干网络中引入了LSKA (Large Separable Kernel Attention)注意力机制，使改模型忽略无关背景信息干扰，注意到有效的标志特征信息。以往注意力机制存在许多不足，例如self-attention注意力机制具有较强的长期依赖性和适应性，但忽略了图片的二次结构。LSA注意机制避免了self-attention注意力机制存在的忽略图片二维结构问题，但其处理大尺寸卷积核时计算量过大的问题 [13] 。

LSKA是一种大可分离核注意力模块，它通过大核卷积操作进行分解来获取长期适应性和依赖性，同时又将分解得到的2D卷积核再次分解为串联的1D核，降低了计算的复杂程度和内存占用需求。首先将K*K的卷积分解为(2d − 1) × (2d − 1)深度卷积、K/d*K/d深度扩张卷积和1 × 1卷积，其次将2D的深度卷积与深度扩张卷积继续分解为1D的横向卷积核与垂直卷积核，最后将分解后的卷积核按照顺序串联，其分解结构图如 图3 和 图4 所示 [13] 。

改进后的LSKA结构如 图5 所示。

采用以上方法可以让模型在检测过程中忽略无关背景的信息干扰，提高检测精度，并提高鲁棒性。

本文使用的数据集为中国交通标志检测数据集2021 (Chinese Traffic Sign Detection Benchmark, CCTSDB) [14] 。数据集共有17,856张图片，其类别为指示、禁令及警告标识三类。

本文实验环境系统为Windows10操作系统，电脑显卡配置为NVIDA GeForece RTX4060显卡，显存为8 GB，CPU为Intel Core i5-12400，使用Pytorch (环境为Python-3.8.19 torch-2.1.0 + cu121)框架进行部署。参数如下：输入图片大小640 × 640，批次量大小为16，数据器加载数量为16，初始学习率0.01，训练批次为250次，优化器为SGD。如图所示，当训练次数达到200次左右时，改进前后的模型逐渐收敛，并且从运行结果看出，改进后的模型比原模型收敛更快和损失更低，运行结果如 图6 所示。

模型通过训练和验证可通过精确率AP、召回率AR和平均精确率R_mAP作为评价指标，其公式如(5)~(8)。这些指标常用目标检测领域，也是YOLO算法结果评价的指标。这些指标可作为联合评价，对YOLO模型在交通标识检测中表现进行评估。

$P=\frac{N_{\text{TP}}}{N_{\text{TP}}+N_{\text{FP}}}$(5)

$P=\frac{N_{\text{TP}}}{N_{\text{TP}}+N_{\text{FN}}}$(6)

$R_{\text{AP}}={\displaystyle {\int }_0^{1}P}$(7)

(8)

式中N_TP为真阳性，意为检测到正样本的物体；N_FP为假阳性，意为将负样本检测为正样本的物体；N_FN为假阴性，意为将正样本检测为负样本。P(r)为精确率和召回率平滑曲线；Pi中的i为第i个内别；C为总类别。

验证本文提出的改进方法对交通标志的检测的性能进行评测，采用单个改进的消融实验如 表1 所示。

从 表1 中可以得到，添加DynamicConv时，虽然模型的参数量大幅度增加，但精确率和平均准确率有所上升，并且计算复杂度下降0.5 GFLOPs；添加SPPF-LSKA模块时，虽然模型复杂度增加，但是模型的精确率、平均准确率上升。整合修改后，改进的模型进增加小部分的参数量和计算复杂度增加0.2 GFLOPs，但是在精确率、召回率和平均精确率上提升效果显著，分别提升2.8%、2.7%、3.3%。

原Yolov8算法在面对不同尺寸、小目标和复杂背景的情况下检测精度和效果有待提升，本文挑选了部分复杂场景进行原算法与改进Yolov8算法测试效果如下 图7~9 (左图为改进的，右图为原算法)所示。

图8. 场景二

经过以上对比可知，改进后的算法检测到了更多的交通标识，并且置信度也高于原算法，验证了本文开始提出改进型意见在准确性上面的提升，以及有效改进了在复杂背景下的识别。

为验证本文改进算法的优越性，将本文算法与目前主流的交通标志检测算法进行对比，选取SSD [15] 、Faster R-CNN、yolov5s、yolov8n与本文改进算法进行对比实验，实验结果如 表2 。