[發明專利]一種改進YOLOv4的交通標志識別方法

在審

• 申請號: 202110005171.3
• 申請日: 2021-01-05
• 公開（公告）號: CN112699900A
• 公開（公告）日: 2021-04-23
• 發明（設計）人: 郭繼峰;孫文博;馬志強;白淼源
• 申請（專利權）人: 東北林業大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種改進YOLOv4的交通標志識別方法。通過對實驗數據集進行添加隨機高斯噪聲、CutMix數據增強和馬賽克數據增強等數據預處理方法對數據集進行擴充，再利用改進的YOLOv4模型識別出交通標志及其置信度。所述改進的YOLOv4模型是首先在引入深度可分離卷積的特征提取網絡進行特征提取，然后將獲得的不同尺度特征圖輸入雙向特征金字塔網絡結構進行多尺度特征融合，融合不同尺度特征信息并增強相同尺度信息，最后對不同大小特征圖進行預測與回歸獲得最終識別結果。改進的YOLOv4模型利用Focal損失函數使識別過程中正負樣本數量不均衡問題得以解決。實驗表明，改進的YOLOv4模型參數量與計算量較小，推理時間短，能夠快速準確地識別出不同環境下的交通標志。

技術領域：

本發明涉及目標檢測領域，尤其涉及一種改進YOLOv4的交通標志識別方法。

背景技術：

早期的交通標志識別方法通常是利用RGB顏色模型中顏色差異、方向梯度直方圖(HOG)檢測形狀變化進行識別，但僅采用顏色或者形狀作為交通標志識別的依據，經常會受到光線和環境的影響而做出誤判,并且在交通標志識別過程中檢測速度過慢，準確率低。隨著深度學習方法的蓬勃發展，深度學習方法被廣泛應用于交通安全領域，且性能優于傳統方法。

目前基于深度學習的交通標志識別方法大致可分為兩類，第一類是利用二階段網絡進行識別，此類方法依靠區域推薦網絡選取興趣區域，對興趣區域進行初步預測，然后使用分類與回歸網絡檢測興趣區域中存在的標志，并對初步預測的結果進行進一步的調整。二階段網絡由于網絡參數量與計算量偏大，且依靠區域候選網絡找出興趣區域，網絡整體推理計算時間過長，雖然二階段網絡檢測精度較高，但是識別速度較慢不符合交通標志識別的實時性要求。針對二階段網絡推理速度偏慢的問題，有研究者提出了第二類方法，該方法利用一階段網絡進行交通標志識別，不同于二階段網絡進行候選區域提取，一階段網絡利用多預設好的網格單元，直接對每個網格單元內的目標進行分類與回歸，顯著減少了網絡的推理計算時間，能夠更快速地識別出交通標志，雖然一階段網絡的推理時間更短，但是相較于二階段只檢測興趣區域，一階段網絡則需要對數量龐大的網格單元進行檢測，這也使得一階段網絡的檢測精度略低于二階段網絡。

本發明提出的改進YOLOv4的交通標志識別方法，在特征提取網絡引入深度可分離卷積減少模型中的參數冗余，利用雙向特征金字塔結構融合不同尺度特征信息，并采用Focal損失使數據集中正負樣本不均衡問題得以解決。本發明提出的MYOLOv4模型的計算量和參數量較少，推理時間更短，能夠快速精確地獲得交通標志識別結果。

發明內容：

本發明的目的是克服現有方法的不足，提出一種改進YOLOv4的交通標志識別方法以解決交通標志識別方法參數量與計算量過大，識別精度和識別速度較慢的問題。

一種改進YOLOv4的交通標志識別方法，其特征在于，包括如下步驟：

步驟1：對原有數據集進行添加高斯噪聲、CutMix數據增強和馬賽克數據增強；

步驟2：將進行數據增強后的數據集作為MYOLOv4(Miniature YOLOv4，微型YOLOv4)訓練集輸入到引入深度可分離卷積的特征提取網絡中進行特征提取，得到多個不同尺度的特征信息；

步驟3：將不同尺度特征信息輸入到雙向特征金字塔網絡結構中融合不同尺度信息和更多相同尺度信息；

步驟4：對不同尺度信息進行識別與邊界框回歸，利用Focal損失函數和CIoU(Complete Intersection over Union，完全交并比)損失函數進行梯度反向傳播更新權值，減少識別與回歸過程的損失，將測試集樣本輸入訓練好的MYOLOv4模型中獲得交通標志類型及其置信度。

步驟1的實現包括：

步驟1.1：從交通標志訓練集中樣本隨機添加高斯噪聲，將添加高斯噪聲的樣本加入訓練集中；