[發明專利]一種基于YOLOv3的交通標志檢測方法

在審

• 申請號: 202011503537.1
• 申請日: 2020-12-18
• 公開（公告）號: CN112613387A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 黃輝;胡鵬;王瓊瑤;鄒媛媛;蔡慶榮;許博雅
• 申請（專利權）人: 五邑大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁國平

本發明公開了一種基于YOLOv3的交通標志檢測方法，包括：獲取交通標志的圖像信息；預處理圖像信息，形成圖像訓練集和圖像驗證集；改進基于YOLOv3的網絡結構：融合淺層特征和深層特征，在大尺度的特征上檢測交通標志；利用圖像訓練集，對改進后的基于YOLOv3目標檢測網絡進行訓練；利用圖像驗證集，對訓練后的基于YOLOv3的模型進行測試，獲取評價指標。通過改進YOLOv3網絡結構，配合使用了Softer?NMS算法，并在測試階段合并卷積層與BN層，有效地提高對于交通道路上的交通標志的檢測精度與速度，改善了檢測邊框的位置精度；另一方面，對于行駛中的汽車，弱化對大像素的交通標志的檢測能力，剔除不必要的網絡結構，既減少計算量，也提高訓練效率。

技術領域

本發明涉及人工智能機計算機視覺技術領域，尤其是一種基于YOLOv3的交通標志檢測方法。

背景技術

隨著計算機視覺和人工智能等高新技術領域的飛速發展與完善，自動駕駛技術已經日益趨于實際應用，而對行駛過程中的汽車前方出現的實時路況場景，對其中的交通標志的檢測與識別也是一個非常重要的研究分支。由于交通標志存在種類繁多、環境影響因素大、識別時效性高的問題，YOLOv3檢測算法通過多尺度預測，保證了對正常場景下的小目標的檢測能力，在交通標志的檢測和識別應用中得到廣泛應用。但是，現有的YOLOv3算法的定位準確性較差，召回率相對偏低，尤其是對于遮擋和擁擠重疊這些較難處理的情況，其檢測精度仍然存在提升空間。

發明內容

為解決上述問題，本發明的目的在于提供一種基于YOLOv3的交通標志檢測方法，以實現對海上遇險人員的高效檢測和跟蹤定位。

本發明解決其問題所采用的技術方案是：

本發明的第一方面，一種基于YOLOv3的交通標志檢測方法，包括：獲取交通標志的圖像信息；預處理所述圖像信息，形成圖像訓練集和圖像驗證集；改進基于YOLOv3的網絡結構：融合淺層特征和深層特征，在大尺度的特征上檢測所述交通標志；利用所述圖像訓練集，對改進后的基于YOLOv3目標檢測網絡進行訓練；利用所述圖像驗證集，對訓練后的基于YOLOv3的模型進行測試，獲取評價指標。

上述基于YOLOv3的交通標志檢測方法至少具有以下的有益效果：通過改進YOLOv3網絡結構，配合使用了Softer-NMS算法，并在測試階段合并卷積層與BN層，有效地提高對于交通道路上的交通標志的檢測精度與速度，改善了檢測邊框的位置精度，并具有很好的魯棒性和泛化性；另一方面，對于行駛中的汽車，弱化對大像素的交通標志的檢測能力，剔除不必要的網絡結構，既減少計算量，也提高訓練效率。

進一步，預處理所述圖像信息，包括：對所述圖像信息進行手工標注分類，并生成文本文件。

進一步，所述改進基于YOLOv3的網絡結構，包括：去除13*13尺度檢測層；通過對深層特征圖進行上采樣，將特征圖放大到和淺層特征圖相同的尺寸；進行張量拼接操作，構建104a*104a的尺度檢測層，其中a≥1。

進一步，對基于YOLOv3目標檢測網絡進行訓練時，在目標檢測算法引入預測框損失函數，使當前預測框置信度的檢測分數呈線性衰減。

進一步，所述預測框損失函數為基于KL散度的回歸損失函數，即所述預測框損失函數是所述預測框的高斯分布和真實邊框的狄拉克分布的KL散度，其公式如下：

P_D(x)＝δ(x-x_g)

其中，P_θ(x)為預測框的高斯分布；P_D(x)為真實邊框的狄克拉分布；x_e為預測的邊框的位置期望；x_g為真實邊框的位置；δ為預測位置的標準差；Loss_reg為以KL散度作為邊框回歸的損失函數。