[發明專利]一種復雜環境下多尺度交通標志檢測方法

在審

• 申請號: 202310204400.3
• 申請日: 2023-03-06
• 公開（公告）號: CN116168369A
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 郭繼峰;鄧維;王永杰;劉晶
• 申請（專利權）人: 桂林航天工業學院
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V20/70;G06V10/30;G06V10/764;G06V10/82;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 佛山知正知識產權代理事務所(特殊普通合伙) 44483
• 代理人: 何江波

本發明涉及一種復雜環境下多尺度交通標志檢測方法。通過在檢測模型的前面添加分類降噪模塊，將復雜環境的圖像分類并進行降噪處理，然后將圖像傳入到改進的YOLOv4中。設計了一種改進的特征金字塔結構來代替YOLOv4原有的特征金字塔，該結構利用自適應特征融合模塊和多尺度特征轉移機制來減少特征圖在生成過程中可能出現的信息丟失并提高深層特征與淺層特征的信息傳遞，增強特征金字塔的表示能力。另外，我們使用EIOU?LOSS和Cluster?NMS來進一步提高模型性能。本發明在擴充后的TT?100K數據集的測試中，各個環境下的全類平均正確率mAP達到了81.78％，比經典YOLOv4高了4.53％，性能提升明顯。

技術領域：

本發明涉及交通標志自動檢測與識別，尤其涉及一種復雜環境下多尺度交通標志檢測方法。

背景技術：

自動交通標志檢測與識別(ATSDR)是計算機視覺中非常熱門的話題之一，它在先進的自動駕駛系統中扮演者十分重要的角色。由于交通標志類型的多樣性以及實際道路條件的復雜性，ATSDR實時高精度的解決至今仍是一項具有挑戰性的問題。此外，由于車輛在戶外難免會遇到各種復雜環境(如雨雪天氣、霧霾天氣以及其他原因造成的圖片模糊等)，這些都大大增加了交通標志檢測與識別的難度。

自動交通標志檢測與識別可以分為兩個部分，交通標志檢測(TSD)和交通標志識別(TSR)，并分別處理他們。其中，檢測步驟用來定位圖像中包含交通標志的區域，識別步驟則用來將這些區域分類為特定的交通標志或背景。

傳統的TSD方法強調使用交通標志的顏色特征或形狀特征進行檢測。基于顏色特征的檢測方法通常對鮮亮的交通標識進行染色，可以很好的對周圍環境進行區分。但是，基于顏色特征的檢測方法很容易收到外界環境的影響，尤其是在極端天氣下，這種檢測方法的效果會大大降低。基于形狀特征的檢測方法是先找到其輪廓，然后根據輪廓數量進行決策。然而，在復雜的環境中，交通標志很容易被其他物體遮擋，這會對該方法的檢測造成嚴重影響。

隨著深度學習的發展，基于卷積神經網絡的交通標志檢測與識別算法被廣泛研究，這些算法可以自動定位和識別交通標志，大大提高了識別速度。

但是，交通標志檢測與識別仍面臨以下挑戰：

(1)在雨天、雪天、霧天等復雜天氣下，攝像頭捕獲的照片中含有大量噪聲。

(2)在不同的光照條件下，交通標志的顏色、飽和度會發生變化。

(3)交通標志的某一部分可能會被欄桿、樹木、或積雪等遮擋。

(4)在不同的拍攝視角下，交通標志的形狀可能會發生扭曲。

(5)部分交通標志過小，難以識別。

本發明提出了一種基于復雜環境下多尺度交通標志檢測方法，該方法通過在YOLOv4模型的輸入端添加一個圖像預處理模塊，該模塊可以對圖像中的噪聲進行分類并使用相應的預處理算法來減少噪聲對交通標志識別的影響。同時，本發明還提出了一種新型特征金字塔網絡結構，該結構包括自適應特征融合模塊(AFFM)和多尺度特征傳遞機制(MFTM)。通過這兩部分，信息在特征傳遞時得到更多保留，增強了特征金字塔的表達能力，有效提高了多尺度目標識別的準確性。另外，為了進一步提高模型的準確性和生成檢測框的準確率，本發明使用EIOU?Loss和Cluster-NMS來代替YOLOv4中原有的CIOU?Loss和DIOU-NMS。本發明對YOLO4的改進可以有效提高模型在復雜環境下對交通標志檢測與識別的準確率。

發明內容：

本發明的目的是克服現有方法的不足，提高模型的性能，提出一種基于改進深度學習復雜環境下多尺度交通標志檢測方法。

一種復雜環境下多尺度交通標志檢測方法，其特征在于，步驟如下：

步驟1：選擇并收集數據集同時對數據集做初步處理，得到大規模有多種復雜環境的，包含交通標志的圖像：