[發明專利]一種基于改進YOLO v3算法的交通標志檢測方法

有效

• 申請號: 202010068650.5
• 申請日: 2020-01-21
• 公開（公告）號: CN111274970B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陸開勝;黎向鋒;王建明;左敦穩;張麗萍;張立果;葉磊;唐浩;劉安旭;劉晉川;王子旋
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 瞿網蘭

本發明公開了一種基于改進YOLO?v3算法的交通標志檢測算法，它通過設計一種具有維持高分辨率表征的特征提取網絡替換原YOLO?v3算法中的DarkNet?53,提高對小尺寸目標交通標志的檢測精度并降低了算法的參數量；通過融合參與預測的特征圖增加檢測算法對中小目標的關注；使用GIoU算法和focal?loss算法優化損失函數。本發明對提高了對小尺寸交通標志的檢測準確率，在復雜的交通道路上可以快速準確的檢測并識別出交通標志。

技術領域

本發明涉及一種計算機視覺技術和智能交通技術領域，尤其是一種交通標志圖像識別方法，具體地說是一種基于改進YOLO?v3算法的交通標志檢測方法，它可以應用于高級輔助駕駛技術中的交通標志檢測。

背景技術

近年來，隨著科學技術的進步，為了減少交通事故帶來的生命財產損失，高級輔助駕駛系統日趨完善。交通標志檢測技術作為高級輔助駕駛系統中的重要部分，主要是通過車載攝像頭獲取汽車周邊的路況信息，根據拍攝到的視頻進行交通標志檢測與識別，然后將識別的結果傳送給駕駛員或者智能交通系統中的其他部分，從而實現安全駕駛，保證駕駛員以及行人的安全。

交通標志的種類繁多且目標尺寸小，對交通標志的檢測容易受到自然條件的影響，并且在實際應用中需要準確性與實時性均衡的交通標志檢測算法。目前交通標志檢測方法分為基于顏色、基于形狀、基于機器學習以及基于深度學習的方法。基于顏色的交通標志檢測容易受到自然條件下光照變化以及褪色的影響，并且復雜的背景也會給交通標志的檢測帶來干擾。當交通標志發生變形以及遮擋時都會給基于形狀的檢測方法帶來干擾，因此基于形狀的交通標志檢測方法缺乏足夠的穩定性。基于傳統機器學習的檢測方法過程較為復雜，需要人工設計特征描述符，并且對每一類的交通標志都需要訓練一個分類器，識別精度低。深度學習技術可以自動的提取物體的特征，其在物體識別和圖像處理等領域有較好的效果，現在被廣泛運用在目標檢測問題上。雖然基于深度學習的交通標志檢測算法取得了檢測精度上的提升，但是其模型較大，需要高性能的硬件來支持訓練，模型在移動端上的部署較為困難，并且現有的算法對小尺寸目標的檢測效果較差。

針對上面的描述，對交通標志檢測的研究需要提高對小尺寸目標檢測的精度，并且需要提高檢測的速度。

發明內容

本發明的目的是針對現有的交通標示圖像識別技術存在精度低，速度慢，尤其是難以應用到小尺寸交通標志識別中的問題，發明一種基于改進YOLO?v3算法的交通標志檢測算法，該算法極大的提高了交通標志檢測的精度和速度。

本發明的技術方案是：

一種基于改進YOLO?v3算法的交通標志檢測方法，其特征是它包括以下幾個步驟：

步驟1：準備數據集，對原始交通標志檢測數據集進行預處理以降低原始圖片的分辨率以及擴充數據集；將訓練集以8:2的比例分為訓練集和驗證集。

步驟2：構建具有高分辨率表征的特征提取網絡，通過不同尺度特征圖的不斷融合提高高層特征圖的位置信息和低層特征圖的語義信息，從而提高對小尺寸目標交通標志的檢測精度；對該網絡最后生成的高分辨率特征圖進行降采樣，從而生成用于預測目標的三種不同尺度的特征圖；通過將特征提取網絡中低分辨率子網絡輸出和高分辨率特征圖降采樣后的特征圖融合以增加算法對中小目標檢測的關注；使用GIoU算法作為邊界框損失函數，使用Focal?Loss降低預測框內正負樣本的不平衡問題；對交通標志數據集使用聚類算法以設計符合交通標志檢測的anchor尺寸。

步驟3：對改進后的YOLO?v3算法進行訓練，采用學習率預熱的學習率設置策略；使用多尺度訓練的方法以提高算法對不同尺度目標的檢測精度；對交通標志圖像進行隨機裁剪、旋轉的方法進行數據增廣。

步驟4：使用訓練獲取的最佳模型對交通標志數據集進行測試獲取測試集檢測結果，并使用該模型對行車視頻進行檢測，獲取視頻檢測結果。

所述步驟1中降低原數據集中圖片分辨率的方法分為以下3個步驟：