[發明專利]一種用于交通信號燈實時檢測與識別的方法

有效

• 申請號: 202010971122.0
• 申請日: 2020-09-15
• 公開（公告）號: CN112101221B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 王慶巖;周長越;王玉靜;康守強;謝金寶;康成璐
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06V10/56;G06V10/762;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 黑龍江立超同創知識產權代理有限責任公司 23217
• 代理人: 楊立超

1.一種用于交通信號燈實時檢測與識別的方法，其特征在于，所述方法是基于針對交通信號燈是小目標的特點進行改進的YOLOv4算法網絡結構來實現的，所述方法包括：

一、對YOLOv4算法網絡結構的改進

首先，提出淺層特征增強的方式進行改進，用于提高網絡對小目標的定位及顏色分辨能力以及增強YOLOv4算法對小目標檢測的敏感度；

其次，引入邊界框不確定性預測機制，用于提高預測邊界框的可靠性；

最后，使用K-means++算法對交通信號燈數據進行聚類分析，優化YOLOv4算法的anchor參數，以用于提高網絡收斂速度、減少網絡訓練時間；

獲得對交通信號燈檢測精度提升的改進YOLOv4算法網絡；

二、對交通信號燈數據進行進行檢測識別

對所述改進YOLOv4算法網絡進行訓練后，利用其對輸入的交通信號燈數據進行檢測識別，進而從整體上提升網絡對交通信號燈的檢測精度；

利用淺層特征增強的方法對YOLOv4算法網絡結構改進的具體過程為：

淺層特征增強的方法是將淺層特征與高層語義特征結合來提高YOLOv4算法對小目標的精準定位與識別；

提出的淺層特征增強的方法，具體為：將第117層的高層語義特征經過上采樣與第54層的淺層特征進行拼接，經過卷積運算后再將第127層高層語義特征經過上采樣與第23層的淺層特征進行特征拼接，卷積運算后得到第一尺度的特征，第一尺度特征的維度為152×152×255，第二尺度特征維度為76×76×255，第三尺度特征保持為19×19×255。

2.根據權利要求1所述的一種用于交通信號燈實時檢測與識別的方法，其特征在于，引入邊界框不確定性預測機制用于提高預測邊界框的可靠性，具體過程為：

在YOLOv4算法中加入邊界框不確定性預測機制用于加快網絡收斂速度，用于提高網絡學習效率和進一步加強YOLOv4算法對交通信號燈的檢測能力；

基于在原始YOLOv4算法中通過邊界框回歸，提取的邊界框中心點坐標信息t_x和t_y及邊界框大小信息t_w和t_h并不能表示邊界框的可靠性，因此分別使用t_x，t_y，t_w和t_h的單個高斯模型對預測框的不確定度進行建模，采用的高斯模型為：

p(y|x)＝N(y；μ(x),Σ(x)) (7)

式中：μ(x)代表均值函數，∑(x)代表方差函數；

將預測邊界框的每個坐標信息建模為均值和方差來預測邊界框的不確定性，邊界框的輸出是由于網絡中檢測層結構對t_x，t_y，t_w和t_h的高斯參數使用Sigmoid函數進行預處理：

邊界框的信息通過中心點坐標和邊界框寬高四個參數確定；

代表邊界框中心點坐標；

代表邊界框的寬、高；

表示均值，直接作為邊界框的坐標信息；

表示方差，代表邊界框不確定性；

利用公式(10)sigmoid函數對進行歸一化處理以用于網絡中；

檢測層中每個坐標的平均值是邊界框的預測坐標，每個方差代表其對應坐標的不確定性；公式(8)中和表示網格內邊界框的中心坐標，因此使用Sigmoid函數將其處理為介于0和1之間的值；和表示YOLOv4中的t_w和t_h，由于它們的尺度變化有可能超過邊界框中心點坐標所在的網格大小，因此不使用Sigmoid函數進行處理；

公式(9)中每個坐標信息的方差均使用Sigmoid函數處理為0到1之間，高斯分布中，方差越大說明分布的變化越大，由于各個方差代表其對應坐標的不確定性，處理后的方差越接近0，不確定性越小，預測邊界框越可靠；越接近1，不確定性越大，預測邊界框越不可靠；

預測時邊界框置信度計算方式變化為：

式中：Uncertainty_aver為各個坐標信息不確定度均值。