[發明專利]一種基于改進YOLO v3算法的遠距離交通標志檢測方法

在審

• 申請號: 202011159601.9
• 申請日: 2020-10-26
• 公開（公告）號: CN112257793A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 王宇新;王云富;李顏
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 大連理工大學專利中心 21200
• 代理人: 李曉亮;潘迅

一種基于改進YOLO v3算法的遠距離交通標志檢測方法，屬于計算機應用技術領域。該方法首先對交通標志數據進行采集和預處理；然后改進YOLO v3算法模型，將數據集輸入到網絡中進行訓練、驗證，保存模型；調用模型檢測圖像，由網絡的檢測部分輸出目標的分類預測結果和位置預測結果。本發明方法引入密集殘差模塊來提取小尺寸目標在深層網絡中的特征，訓練過程中利用CIoU誤差計算目標的定位誤差，對網絡權重進行更新優化。本發明能夠顯著提高模型準確率，提高檢測時的精度和檢測速度。

技術領域

本發明屬于計算機應用技術領域，涉及到一種基于改進YOLO v3算法的遠距離交通標志檢測方法。

背景技術

隨著社會經濟的迅速發展，道路上的車輛不斷增加，大量的車輛導致交通擁堵和交通事故發生頻率越來越高。在此背景下，智能交通系統應用而生。交通標志檢測方法作為領域內關鍵技術，在自動駕駛和智慧交通中起到關鍵作用，如何快速準確地獲取前方交通標志信息是智慧交通領域內一個難點和熱點。傳統的交通標志檢測算法需要人工設計特征，模型的檢測效果很大程度上取決于設計出的特征，模型的泛化能力較差。近年來深度學習技術發展迅速，利用目標檢測算法獲取前方交通標志信息是深度學習一個重要的應用方向。

在當前通用的目標檢測模型中，特征提取網絡一般會經過多次下采樣操作，由于遠距離場景下小尺寸目標在原圖上只有幾十個像素大小，經過下采樣后小尺寸目標在特征圖上基本只有個位數像素大小；經過多次卷積提取特征后小尺寸目標的感受野映射回原圖將大于小尺寸目標在原圖的實際大小，從而導致小目標的特征被不斷稀釋。另外，神經網絡在學習中往往被較大尺寸的目標主導，小尺寸目標在整個學習過程中容易被忽視，導致現有的通用目標檢測算法對小尺寸目標的檢測效果不佳。

發明內容

針對現有目標檢測技術在遠距離場景下小尺寸交通標志目標的檢測效果不佳、模型泛化能力不強等問題，深入分析當前目標檢測方法的不足之處，并結合小尺寸目標數據集的特點，本發明對YOLO v3模型結構進行改進，并引入CIoULoss，提出一種基于改進YOLOv3算法的遠距離交通標志檢測方法。

為了達到上述目的，本發明采用的技術方案為：

一種基于改進YOLO v3算法的遠距離交通標志檢測方法，包括以下步驟：

步驟1：數據采集及預處理

采集遠距離場景下包含各種交通標志的圖像數據，圖像數據包含的交通標志分為禁止、指示、警告和其他4大類，且圖像中交通標志清晰可見。整理采集的圖片數據，對重復的圖像和目標模糊的圖像進行篩選刪除，之后對于待處理的圖像數據，使用LabelMe圖片標注工具對圖片進行標注，包括交通標志所屬的類別和在圖片中的位置信息，位置信息以交通標志的左上點和右下點坐標表示。最后將數據集制成VOC格式的數據集，并將所有標注完成的數據劃分為兩部分：第一部分再進一步劃分為兩個部分，分別用作模型的訓練和驗證；另一部分用作模型的測試。

步驟2：搭建改進YOLO v3算法網絡模型

對原始YOLO v3算法的特征提取網絡加以改進，搭建的基于改進YOLO v3方法的網絡模型，用密集殘差模塊代替原始特征提取網絡的最后一個殘差塊，以實現小目標特征在深層卷積層中的復用。特征提取網絡輸出不同尺寸的特征圖，對特征圖進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一步處理，調整輸出通道數，得到預測框的置信度、位置信息和分類信息。

步驟3：檢測網絡訓練之前，先使用Imagnet數據集首先對體征提取部分的網絡進行預訓練，得到特征提取網絡的預訓練模型，然后載入預訓練模型權重，利用步驟1劃分得到的訓練數據、驗證數據和測試數據繼續訓練學習模型參數。利用檢測網絡對目標進行預測得到預測框置信度、位置信息和分類信息，并計算預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，訓練過程中位置誤差采用CIoU誤差計算。