一种基于改进YOLO模型的交通标志识别方法及其装置制造方法及图纸

本发明专利技术公开了一种基于改进YOLO模型的交通标志识别方法及其装置。在原有的YOLO模型训练网络中加入特征转移网络，保持原有卷积训练路径的同时，将C1－C5层的输出特征同时发送至特征转移网络中提取出转移特征，并将转移特征与C6层的输出特征进行元素求和得出聚合特征，将聚合特征作为C7层的输入特征进行训练，通过加入的特征转移网络，通过提取转移特征的形式实现了中高层和底层的特征聚合，使C7层的输出特征图能包含更多特征，有效提高了对小尺寸图形的识别能力，提高了识别交通标志的准确性。

A Traffic Sign Recognition Method and Device Based on Improved YOLO Model

The invention discloses a traffic sign recognition method and device based on an improved YOLO model. In the original YOLO model training network, feature transfer network is added to maintain the original convolution training path. At the same time, the output features of C1-C5 layer are sent to the feature transfer network to extract the transfer features. The transfer features are combined with the output features of C6 layer to get the aggregation features. The aggregation features are trained as the input features of C7 layer by adding the features. The feature aggregation of middle, upper and lower levels is realized by extracting the transfer features, which makes the output feature map of C7 layer contain more features, effectively improves the recognition ability of small size graphics, and improves the accuracy of traffic sign recognition.

【技术实现步骤摘要】
一种基于改进YOLO模型的交通标志识别方法及其装置
本专利技术涉及神经网络算法领域，特别是一种基于改进YOLO模型的交通标志识别方法及其装置。
技术介绍
目前，无人驾驶已经成为了汽车行业发展的重要方向，而无人驾驶的车辆要在道路上正常行驶，除了要有准确的路线规划和导航，还需要准确按照道路上的交通标志进行行驶，由于交通标志具有一定的随机性，在遇到道路临时施工或者交通管制的情况未必能及时同步信息至服务器中，因此需要对交通标志进行实时的图形识别，以确保行车安全。传统技术中大多数采用viola－jones的方法或者基于颜色和形状模型的方法进行识别，这两种方法虽然能够完成交通标志的识别，但是算法复杂度高，检测精度容易受到天气等自然场景影响，应用的成本过高，且适用条件较为苛刻。而R－CNN和Fast－CNN等基于区域推荐的目标检测算法虽然具有较好的精准度，但是需要对输入进行反复多次计算，处理速度太慢，不符合无人驾驶需要较好的实时性和运算速度的要求。为了保证交通标志识别的时效性，现有方案大多数采用YOLO模型对输入图像进行训练，通过得出的预测值预测交通标志所属的分类，从而完成识别。YOLO模型的训练本文档来自技高网...

【技术保护点】
1.一种基于改进YOLO模型的交通标志识别方法，其特征在于，包括以下步骤：读取原始图像，对原始图像进行预处理后发送至特征提取网络中，所述特征提取网络中包括CNN训练网络和特征转移网络；获取所述CNN训练网络中C1－C5层的输出特征图，分别发送至特征转移网络中计算出转移特征；将所述转移特征和C6层的输出特征进行元素求和，得出聚合特征，并将聚合特征作为输入特征发送至C7层中进行训练；将C7层输出的训练特征图发送至全连接层中计算出预测值，根据所述预测值完成交通标志的识别。

【技术特征摘要】
1.一种基于改进YOLO模型的交通标志识别方法，其特征在于，包括以下步骤：读取原始图像，对原始图像进行预处理后发送至特征提取网络中，所述特征提取网络中包括CNN训练网络和特征转移网络；获取所述CNN训练网络中C1－C5层的输出特征图，分别发送至特征转移网络中计算出转移特征；将所述转移特征和C6层的输出特征进行元素求和，得出聚合特征，并将聚合特征作为输入特征发送至C7层中进行训练；将C7层输出的训练特征图发送至全连接层中计算出预测值，根据所述预测值完成交通标志的识别。2.根据权利要求1所述的一种基于改进YOLO模型的交通标志识别方法，其特征在于：所述对原始图像进行预处理包括将原始图像调整至448×448像素。3.根据权利要求1所述的一种基于改进YOLO模型的交通标志识别方法，其特征在于：所述特征转移网络中包括特征转移卷积层，所述特征转移卷积层的数量为5。4.根据权利要求3所述的一种基于改进YOLO模型的交通标志识别方法，其特征在于：所述特征转移卷积层与C6层的参数满足以下关系：b＝c，d＝a；其中，a×a为特征转移卷积层的卷积核大小，m和n分别为特征转移卷积层的输入特征图的宽和长，b和d分别为特征转移卷积层的通道数和步长；o、p和c分别为C6层的输出特征图的宽、长和通道数。5.根据权利要求3所述的一种基于改进YOLO模型的交通标志识别方法，其特征在于，所述C7层的输入特征满足以下关系：其...

【专利技术属性】
技术研发人员：董超俊，黄尚安，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东,44