[發明專利]一種基于改進VFNet算法的交通標志檢測方法

有效

• 申請號: 202211580759.2
• 申請日: 2022-12-09
• 公開（公告）號: CN115810183B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 李海濱;梁文燦;李雅倩;肖存軍;張文明
• 申請（專利權）人: 燕山大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/774;G06V10/82;G06N3/048;G06N3/08;G06N3/0464;G06N3/0455;G06V10/764
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 王忠良

本專利公開了一種基于改進VFNet算法的交通標志檢測方法。其包含如下步驟：(1)準備交通標志檢測數據集，交通標志檢測數據集包含訓練集和測試集兩個部分，并對交通標志檢測數據集進行格式轉換，轉換為MSCOCO格式；(2)搭建改進后的VFNet網絡模型；(3)使用改進后的VFNet網絡在交通標志檢測數據集的訓練集進行訓練，保存最優的模型；(4)將測試集輸入訓練保存的最優模型中進行測試，驗證改進后的模型的檢測效果。本發明改進的VFNet網絡能夠提升交通標志檢測的檢測精度。

技術領域

本發明涉及計算機視覺、目標檢測、交通標志檢測領域，具體涉及一種基于改進VFNet算法的交通標志檢測方法。

背景技術

近年來，為了提高行車安全性，許多研究人員和組織開始開發智能交通系統以提高行車安全性。交通標志檢測系統是智能交通系統的重要組成部分，通過算法和傳感器檢測駕駛員前方的道路交通標志，并及時反饋給駕駛員，盡可能提高駕駛安全性。道路交通標志的檢測是現階段研究的熱點。

目前，交通標志檢測算法主要分為兩大類：傳統的交通標志檢測算法和基于深度學習的交通標志檢測算法。傳統的交通標志檢測算法主要包括基于顏色和基于形狀的檢測方法。然而，交通標志的顏色和形狀特征易受外界環境因素的影響，傳統的交通標志檢測算法大多誤檢率高、泛化能力差，對交通標志的檢測效果不佳。

深度學習的出現為交通標志檢測提供了一種新的方法。目前，深度學習在交通標志檢測領域取得了顯著成果。基于深度學習的目標檢測算法根據是否預設anchor可分為anchor-based算法和anchor-free算法。anchor-free算法和anchor-based算法相比，超參數數量較少，使用更加方便。anchor-based的算法包括SSD、RetinaNet、Faster R-CNN、Libra R-CNN、Dynamic R-CNN、PAA等，anchor-free算法包括CenterNet、FCOS、VFNet、RepPoints等。與傳統檢測算法不同，基于深度學習的交通檢測算法通過構建深度神經網絡來學習交通標志的特征，將交通標志數據樣本和標簽輸入到深度神經網絡中，通過深度神經網絡提取特征。網絡的參數在訓練過程中不斷更新，使得算法能夠學習到各種交通標志的特征，避免了傳統的交通標志檢測算法存在的泛化能力較差的問題。

發明內容

為解決交通標志檢測的效果不佳的問題，本發明提供一種基于改進VFNet算法的交通標志檢測方法，提升交通標志的檢測精度。

為實現上述目的，本發明采用的技術方案如下：

一種基于改進VFNet算法的交通標志檢測方法，包含如下步驟：

步驟1：準備交通標志檢測數據集，交通標志檢測數據集包含訓練集和測試集兩個部分，并對交通標志檢測數據集進行格式轉換，轉換為MS COCO格式；

步驟2：改進VFNet網絡模型；

步驟2.1：在VFNet的主干網ResNet50的最后一層后面加入設計的SPPFTransformer模塊，用于從多種不同的感受野中獲取大量的上下文信息；

步驟2.2：在VFNet的檢測頭的分類分支加入一個跳躍連接，繞過3個3×3卷積、Group Normalization層、ReLU激活函數，然后和3個3×3卷積、Group Normalization層、ReLU激活函數后的特征相加，相加后使用一個ReLU激活函數增強網絡的非線性能力，提升網絡對于較小尺寸的交通標志的檢測能力；

步驟3：將訓練集輸入經步驟2改進后的VFNet網絡進行訓練，并保存最優的模型；

步驟4：將測試集輸入訓練保存的最優模型中進行測試，驗證改進后的模型的檢測效果。