[發(fā)明專利]一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法

在審

• 申請?zhí)枺?/td>: 202011159601.9
• 申請日: 2020-10-26
• 公開（公告）號: CN112257793A
• 公開（公告）日: 2021-01-22
• 發(fā)明（設(shè)計）人: 王宇新;王云富;李顏
• 申請（專利權(quán)）人: 大連理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 李曉亮;潘迅

1.一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，包括以下步驟：

步驟1：數(shù)據(jù)采集及預(yù)處理

采集遠(yuǎn)距離場景下包含各種交通標(biāo)志的圖像數(shù)據(jù)，圖像數(shù)據(jù)包含的交通標(biāo)志分為禁止、指示、警告和其他4大類；將數(shù)據(jù)集制成VOC格式的數(shù)據(jù)集，并將所有標(biāo)注完成的數(shù)據(jù)劃分為兩部分：第一部分分為訓(xùn)練集、驗證集；第二部分作為測試集；

步驟2：搭建改進(jìn)YOLO v3算法網(wǎng)絡(luò)模型

對原始YOLO v3算法的特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn)，用密集殘差模塊代替原始特征提取網(wǎng)絡(luò)的最后一個殘差塊；特征提取網(wǎng)絡(luò)輸出不同尺寸的特征圖，對特征圖進(jìn)行上采樣和拼接操作后得到三個新的特征圖；對提取出的三個尺度的特征圖，分別利用一個卷積模塊對提取的特征做進(jìn)一步處理，調(diào)整輸出通道數(shù)，得到預(yù)測框的置信度、位置信息和分類信息；

步驟3：檢測網(wǎng)絡(luò)訓(xùn)練之前，先使用Imagnet數(shù)據(jù)集首先對體征提取部分的網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，得到特征提取網(wǎng)絡(luò)的預(yù)訓(xùn)練模型，然后載入預(yù)訓(xùn)練模型權(quán)重，利用步驟1劃分得到的訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)繼續(xù)訓(xùn)練學(xué)習(xí)模型參數(shù)；利用檢測網(wǎng)絡(luò)對目標(biāo)進(jìn)行預(yù)測得到預(yù)測框置信度、位置信息和分類信息，并計算預(yù)測值和真實之間的誤差，置信度誤差和分類誤差采用交叉熵誤差計算，訓(xùn)練過程中位置誤差采用CIoU誤差計算；

訓(xùn)練過程分為兩個階段：第一階段對預(yù)訓(xùn)練的特征提取網(wǎng)絡(luò)最后幾層參數(shù)進(jìn)行更新，第二階段對整個網(wǎng)絡(luò)參數(shù)進(jìn)行更新；訓(xùn)練時利用學(xué)習(xí)率衰減和早停策略對訓(xùn)練過程進(jìn)行監(jiān)控，當(dāng)誤差變化率小于預(yù)先設(shè)定閾值時，將學(xué)習(xí)率減半；當(dāng)模型在驗證集上一個周期內(nèi)的誤差比上一次的訓(xùn)練結(jié)果差的時候停止訓(xùn)練；

在步驟3中訓(xùn)練網(wǎng)絡(luò)時，損失函數(shù)分為三部分：置信度誤差L_conf，定位誤差L_loc和分類誤差L_cls；置信度誤差和分類誤差采用交叉熵誤差計算，位置誤差采用CIoU誤差計算；CIoU誤差計算步驟如下：

1)求預(yù)測框與真實框的IoU:

其中，I是預(yù)測框與真實框的交集，U是預(yù)測框與真實框的并集，IoU是預(yù)測框與真實框的交集和并集之比；

2)根據(jù)IoU定義目標(biāo)定位損失為：

其中，b,b^gt分別表示真實框B和預(yù)測框B^gt的中心點，ρ(·)表示歐氏距離，c表示B,B^gt最小外接矩形的對角線距離；αv是一個一個影響因子，該影響因子將預(yù)測框的寬高比和真實框的寬高比考慮到損失函數(shù)的計算中；

步驟4：加載模型，對交通標(biāo)志進(jìn)行檢測。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，所述步驟1中：處理完的圖像數(shù)據(jù)以jpg格式存在在JPEGImages文件夾下，圖像標(biāo)注數(shù)據(jù)以xml格式存放在Annotations文件夾下；xml文件中主要包含圖像的寬高、交通標(biāo)志的類別和真實框坐標(biāo)信息。

3.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，所述步驟1中：所有標(biāo)注完成的數(shù)據(jù)按照4：1的比例劃分為訓(xùn)練用數(shù)據(jù)和測試用數(shù)據(jù)，訓(xùn)練用數(shù)據(jù)再按照9：1進(jìn)一步劃分為訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，所述步驟2中：特征提取網(wǎng)絡(luò)輸出8倍、16倍和32倍下采樣的特征圖，將其中32倍下采樣特征圖作為feat1，feat1經(jīng)過一次2倍上采樣后與16倍下采樣特征圖拼接得到feat2，feat2經(jīng)過一次兩倍上采樣后與8倍下采樣特征圖拼接得到feat3；特征提取網(wǎng)絡(luò)輸出的三個特征圖經(jīng)過一組卷積操作后得到預(yù)測框的置信度、位置和分類信息。

5.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，所述的步驟3中：對即將訓(xùn)練的數(shù)據(jù)，采用數(shù)據(jù)增強(qiáng)方法先對數(shù)據(jù)進(jìn)行擴(kuò)增，主要包括：隨機(jī)扭曲、翻轉(zhuǎn)、截取和加入噪音。

6.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)YOLO v3算法的遠(yuǎn)距離交通標(biāo)志檢測方法，其特征在于，所述的步驟3中：訓(xùn)練過程的兩個階段具體為：

1)第一階段訓(xùn)練過程中，取學(xué)習(xí)率0.001，預(yù)訓(xùn)練模型的模型結(jié)構(gòu)保持不變，將模型前k個網(wǎng)絡(luò)層權(quán)重鎖定，保持不變，利用交通標(biāo)志檢測數(shù)據(jù)集，重新訓(xùn)練未鎖定的層，網(wǎng)絡(luò)在訓(xùn)練集上訓(xùn)練多輪，得到新的權(quán)重；

2)第二階段訓(xùn)練過程采用學(xué)習(xí)率衰減和早停策略，對模型進(jìn)行微調(diào)，設(shè)定較小的學(xué)習(xí)率，解凍所有網(wǎng)絡(luò)層，保持1)中得到的模型結(jié)構(gòu)和參數(shù)權(quán)重，利用訓(xùn)練集繼續(xù)訓(xùn)練多輪，不斷調(diào)整參數(shù)使網(wǎng)絡(luò)的損失越來越小，計算每個時間周期內(nèi)模型在驗證集上的誤差，當(dāng)模型在某個周期內(nèi)在驗證集上的誤差大于上一個周期內(nèi)驗證集上的誤差時，停止網(wǎng)絡(luò)更新，保存網(wǎng)絡(luò)模型；當(dāng)網(wǎng)絡(luò)在連續(xù)k個周期迭代后在驗證集上的損失下降小于預(yù)先設(shè)定閾值時，則將學(xué)習(xí)率進(jìn)行減半。