一种基于二值化Yolov3网络的红绿灯检测方法技术

本发明专利技术公开了一种基于二值化Yolov3网络的红绿灯检测方法，通过将Yolov3网络二值化，缩减了网络运算量和权重存储空间，在保证精度的同时提高了网络检测速度，更适合在嵌入式平台上；与此同时，在光线复杂的场景中也具有良好的检测，增强了系统的鲁棒性，解决了传统红绿灯检测中存在的容易受干扰识别率较低等问题。

【技术实现步骤摘要】
一种基于二值化Yolov3网络的红绿灯检测方法
本专利技术涉及图像识别
，尤其是一种基于二值化Yolov3网络的红绿灯检测方法。
技术介绍
无论是在高级辅助驾驶或、无人驾驶，还是在智能交通中，交通信号灯的识别都是重要检测项目之一。运动模糊和光照变化效应一直是信号灯检测技术在实际城市驾驶环境中面临的主要问题。传统数字图像处理技术对于红绿灯检测主要采用边缘分割、直方图变换等方式，在光照环境复杂、强光或逆光等情况下，识别率较低。随着人工智能的快速发展，深度学习技术广泛应用于计算机视觉的诸多方面，在图片分类、目标定位、图像分割、图像增强等领域发展迅速。基于深度学习的目标识别算法主要分为两阶段网络算法和单阶段网络算法。两阶段网络首先从一张图像中生成稀疏的候选区域，并对候选区域进行二分类和初步定位，再将稀疏的候选区域送入分类和回归网络中进一步分类和定位得到最后的检测结果。单阶段网络不生成候选区域，直接对图片上固定位置的锚点框进行分类和定位。Yolov3目标识别网络作为单阶段网络，速度上比两阶段网络更快，精度也更高。然而，传统Yolov3网络层本文档来自技高网...

【技术保护点】
1.一种基于二值化Yolov3网络的红绿灯检测方法，先构建并训练网络模型，然后通过训练好的网络模型对公路车道进行检测，其特征在于，网络模型的构建和训练主要包括以下步骤：/n步骤1，收集大量汽车行驶过程中行车记录仪拍摄到的包含红绿灯的图片，方框标记出图片中红绿灯部分并按照颜色和指示方向对图片进行分类标注作为数据集，将数据集从数量上分为训练集、验证集和测试集三部分；/n步骤2，构建Yolov3网络，并对其进行二值化，形成二值化Yolov3网络；二值化操作具体为，将输入图像利用符号函数二值化，将权重利用符号函数二值化，激活函数采用HardSigmoid函数，卷积操作为

【技术特征摘要】
1.一种基于二值化Yolov3网络的红绿灯检测方法，先构建并训练网络模型，然后通过训练好的网络模型对公路车道进行检测，其特征在于，网络模型的构建和训练主要包括以下步骤：
步骤1，收集大量汽车行驶过程中行车记录仪拍摄到的包含红绿灯的图片，方框标记出图片中红绿灯部分并按照颜色和指示方向对图片进行分类标注作为数据集，将数据集从数量上分为训练集、验证集和测试集三部分；
步骤2，构建Yolov3网络，并对其进行二值化，形成二值化Yolov3网络；二值化操作具体为，将输入图像利用符号函数二值化，将权重利用符号函数二值化，激活函数采用HardSigmoid函数，卷积操作为其中I表示输入矩阵，W表示未二值化的权重，K和α为调整参数；层叠模式改为批标准化→二值化激活→二值化卷积→池化；
步骤3，利用训练集对二值化Yolov3网络进行训练，并更新权重，具体包为，权重初始化为浮点，前向传播过程中利用通过符号函数将权重量化为+1/-1，由二值权重与二值输入进行卷积运算，获得卷积层输出；在反向传播过程中，放松符号函数，计算相应梯度值，并根据梯度值对权重进行参数更新，参数更新完成后再权重量化为+1/-1，以便后期推断使用；
步骤4，将测试集输入训练好的二值化Yolov3网络，输出三路大小分别为13*13、26*26和52*52...

【专利技术属性】
技术研发人员：张中，李安，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：安徽;34