[發(fā)明專利]基于改進Yolov3的獲取道路交通信息方法

在審

• 申請?zhí)枺?/td>: 202110690870.6
• 申請日: 2021-06-22
• 公開（公告）號: CN113609895A
• 公開（公告）日: 2021-11-05
• 發(fā)明（設計）人: 劉清;楊辰曲;張斌;周建武;張銀河;劉敏;汪韓
• 申請（專利權）人: 上海中安電子信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 徐俊

本發(fā)明涉及一種基于改進Yolov3的獲取道路交通信息方法，從已有道理交通信息圖像中選取訓練樣本；建立Yolov3模型，采用了非線性映射將訓練樣本映射到高維度空間中，在高維度空間進行K?means值聚類計算，對樣本進行優(yōu)化，使用最終生成的聚類結果計算符合本網絡模型使用的anchors值，獲得新的anchors值，將新的anchors值替換原始Yolov3模型中的數據集參數，從而提高了檢測算法的準確性和魯棒性；利用高斯分布特性對每個邊界框進行損失函數計算，增加對邊界框準確度的判斷，兼具檢測速度的同時提高了檢測精度。實驗結果表明，改進后的Yolov3模型克服了原始模型提取的特征過于單一問題，提高了檢測速度。

技術領域

本發(fā)明涉及一種目標檢測技術，特別涉及一種基于改進Yolov3的獲取道路交通信息方法。

背景技術

隨著計算機視覺相關技術的不斷發(fā)展與創(chuàng)新，目標檢測算法在自動駕駛領域取得了重大進展，行人、車輛、道路線等各類道路目標檢測算法應運而生。此外，隨著深度學習近年來的迅猛發(fā)展，越來越多的深度學習模型開始廣泛應用于計算機視覺的各項技術中。

深度卷積神經網絡由于能夠自主完成對目標特征的學習，提取關鍵信息，因而具有較強的魯棒性。近年來，基于卷積神經網絡的深度學習得到迅速發(fā)展，主要分為兩類：一類是R-CNN、Fast R-CNN、Faster R-CNN等基于目標候選框思想的two-stage檢測算法，需要先使用啟發(fā)式方法(selective search)或者CNN網絡(RPN)產生Region Proposal，然后再在Region Proposal上做分類與回歸，雖然精度很高，但速度非常慢。另一類是基于Yolo(You Only Look Once)、SSD(Single Shot Multi-box Detector)這類算法，其僅僅使用一個CNN網絡直接預測不同目標的類別與位置，擁有更高的檢測速度。但現有的Yolov3模型提取的特征過于單一，導致在識別時的精準度不高。

發(fā)明內容

本發(fā)明是針對深度卷積神經網絡運用到視覺識別檢測存在的問題，提出了一種基于改進Yolov3的獲取道路交通信息方法。

本發(fā)明的技術方案為一種基于改進Yolov3的獲取道路交通信息方法，具體包括如下步驟：

1)從已有道理交通信息圖像中選取訓練樣本；

2)建立識別網絡：主干網絡是Darknet-53網絡，引入多尺度特征融合，選擇輸出為5種不同尺度的特征圖，除頂層特征圖外，其余特征圖均融合相鄰下層特征圖的特征信息；

3)采用了非線性映射將步驟1)訓練樣本映射到高維度空間中，在高維度空間進行K-means值聚類計算，對樣本進行優(yōu)化，使用最終生成的聚類結果計算符合本網絡模型使用的anchors值，獲得新的anchors值，將新的anchors值替換原始Yolov3模型中的數據集參數；

4)利用高斯分布特性對每個邊界框進行損失函數計算，增加對邊界框準確度的判斷；

5)訓練后的改進Yolov3模型對車輛、行人和信號燈進行檢測，得到檢測結果。

優(yōu)選的：所述步驟3)實現的具體方法如下：