The traffic sign detection method in automatic driving based on YOLOv3 network belongs to the field of traffic sign detection. The invention solves the problems that the existing YOLOv3 network target detection algorithm has low detection accuracy and detection speed can not meet the real-time requirements. An improved loss function is proposed to reduce the effect of large target error on small target detection and improve the detection accuracy of small target; an improved activation function is proposed to retain negative values while reducing the changes and information propagated to the next layer, thus enhancing the robustness of the algorithm to noise; and a real frame in traffic sign data set is obtained by K_means algorithm. Clustering is carried out to achieve the prefetching of the target border position and accelerate the convergence of the network. The traffic sign detection model of the invention achieves the detection accuracy of 92.88% on the test set and the detection speed of 35 FPS, which fully meets the real-time requirements. The invention can be applied in the field of traffic sign detection.
【技术实现步骤摘要】
基于YOLOv3网络的自动驾驶中交通标识检测方法
本专利技术属于交通标识检测领域,具体涉及一种自动驾驶中交通标识检测方法。
技术介绍
目标检测是自动驾驶领域中的一个重要研究方向。其主要检测的目标分为两类:静止目标以及运动目标。静止目标如交通灯、交通标识、车道、障碍物等;运动目标如车辆、行人、非机动车等。其中交通标识检测为无人驾驶汽车在行驶过程中提供丰富而且必要的导航信息,是具有重要意义的基础性工作。传统的目标检测方法主要分为如下几个步骤:预处理,选择候选区域,提取目标特征和特征分类。常用的特征如SIFT(scale-invariantfeaturetransform)、HOG(histogramoforientedgradient)、Haar。常用的分类器如:SVM(supportvectormachine)、RF(randomforest)、Adaboost等。此类方法对于目标特征的设计要求较高,若设计的特征不好,即使使用最好的分类器,最终模型的准确率也较低。同时特征具有很强的针对性,只能检测某一类目标,泛化能力差。且提取的特征均是目标的低层特征(low-levelfeatures),无法表达其真正的高层语义特征。深度学习在近些年的计算机视觉领域取得了丰富的研究成果,特别是在目标检测领域。使用卷积神经网络(convolutionneuralnetwork)对目标特征进行提取可以大大降低人工提取特征的众多弊端。R-CNN是Girshick等人于2014年提出的基于卷积神经网络的目标检测模型。首先需要通过选择性搜索算法从整张图片中提取出大量的候选区域,接着将 ...
【技术保护点】
1.基于YOLOv3网络的自动驾驶中交通标识检测方法,其特征在于,该方法包括以下步骤:步骤一、基于GTSDB数据集制作带有交通标识类目标标注的训练集数据和测试集数据;步骤二、对训练集数据中标注的真实目标边框进行聚类,采用面积交并比IOU作为评级指标来获得训练集数据中预测的交通标识类目标的初始候选目标边框,将初始候选目标边框作为YOLOv3网络的初始网络参数;调取YOLOv3网络的初始网络参数,并将训练集数据输入YOLOv3网络进行训练,直至训练集数据输出的损失函数值小于等于阈值Q1或达到设置的最大迭代次数N时停止训练,得到训练好的YOLOv3网络;步骤三、将测试集数据输入训练好的YOLOv3网络,若测试集数据对应的检测精度大于等于精度阈值Q2,则将训练好的YOLOv3网络作为最终的YOLOv3网络;若测试集数据对应的检测精度小于精度阈值Q2,则继续训练步骤二得到的训练好的YOLOv3网络,直至测试集数据对应的检测精度大于等于精度阈值Q2,将此时的YOLOv3网络作为最终的YOLOv3网络;将采集的自动驾驶中包含有交通标识的图像输入最终的YOLOv3网络,以进行交通标识的检测。
【技术特征摘要】
1.基于YOLOv3网络的自动驾驶中交通标识检测方法,其特征在于,该方法包括以下步骤:步骤一、基于GTSDB数据集制作带有交通标识类目标标注的训练集数据和测试集数据;步骤二、对训练集数据中标注的真实目标边框进行聚类,采用面积交并比IOU作为评级指标来获得训练集数据中预测的交通标识类目标的初始候选目标边框,将初始候选目标边框作为YOLOv3网络的初始网络参数;调取YOLOv3网络的初始网络参数,并将训练集数据输入YOLOv3网络进行训练,直至训练集数据输出的损失函数值小于等于阈值Q1或达到设置的最大迭代次数N时停止训练,得到训练好的YOLOv3网络;步骤三、将测试集数据输入训练好的YOLOv3网络,若测试集数据对应的检测精度大于等于精度阈值Q2,则将训练好的YOLOv3网络作为最终的YOLOv3网络;若测试集数据对应的检测精度小于精度阈值Q2,则继续训练步骤二得到的训练好的YOLOv3网络,直至测试集数据对应的检测精度大于等于精度阈值Q2,将此时的YOLOv3网络作为最终的YOLOv3网络;将采集的自动驾驶中包含有交通标识的图像输入最终的YOLOv3网络,以进行交通标识的检测。2.根据权利要求1所述的基于YOLOv3网络的自动驾驶中交通标识检测方法,其特征在于,所述步骤一的具体过程为:所述GTSDB数据集共包含M张图像,对M张图像中的交通标识类目标进行标注后,将标注后的M张图像随机分成训练集和测试集两个部分。3.根据权利要求2所述的基于YOLOv3网络的自动驾驶中交通标识检测方法,其特征在于,所述训练集和测试集的数据量比为8:1。4.根据权利要求3所述的基于YOLOv3网络的自动驾驶中交通标识检测方法,其特征在于,对训练集数据中标注的真实目标边框进行聚类,采用面积交并比IOU作为评级指标来获得训练集数据中预测的交通标识类目标的初始候选目标边框,其具体过程为:采用K-means算法对训练集数据的真实目标边框进行聚类,采用预测的候选目标边框与真实目标边框的面积交并比IOU作为评级指标,即当面积交并比IOU达到不低于0.5时,将此时预测的候选目标边框作为初始候选目标边框;面积交并比IOU表示如下:其中:boxpred代表预测的候选目标边框的面积,boxtruth代表真实目标边框的面积;则所有真实目标边框与初始候选目标边框的距离Dis(box,centroid)表示为:Dis(box,centroid)=1-IOU(box,centroid)其中:Dis(box,centroid)代表训练集数据中所有真实目标边框与初始候选目标边框的距离...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。