一种城市道路标志自动识别方法技术

本发明专利技术提供了一种城市道路标志自动识别方法，首先进行数据集准备，构建Coef YOLO网络并训练Coef YOLO网络，然后对图像中的道路标志进行检测，筛选出最终的检测目标。本发明专利技术在YOLO网络的基础上，引入并构建了基于边框回归训练的Coef YOLO网络，针对传统YOLO网络训练收敛慢和对小目标检测率低的现状，引入了基于批量标准化的网络优化，提升网络的训练速度和检测性能；提出了基于样本自适应改进的损失函数Coef loss，根据样本检测难度不同，损失函数自适应地调节权重，改进了网络在目标检测时对小目标检测准确度低的问题。

【技术实现步骤摘要】
一种城市道路标志自动识别方法
本专利技术涉及计算机视觉领域，尤其是一种基于端到端深度学习的道路标志检测方法。
技术介绍
道路标志识别是智能交通系统中的热点问题，其通过采集图像对目标区域进行检测与识别，得到道路标志的类型，其应用不仅能提高交通安全性，同时也保证了交通运行效率。当前，机器视觉是人工智能领域中紧跟时代步伐的一支新秀，其发展速度非常快，它在理论科学与工程应用方面有着广泛的应用前景，为了适应时代的发展，对于机器视觉的研究也是极富挑战性的，具有极其重要的研究价值。机器视觉系统深入地研究了目标检测、图像特征提取和行为识别等几个关键问题，并在医学动态影像、图像检索、多媒体信息处理与通信、指纹和人脸识别、图像处理与预处理、自然界生物种类识别、交通安全等各个研究领域都得到广泛应用。1993年，美国学者Kehtarnavaz利用交通标志的颜色和形状信息研发出针对“停车”标志牌的识别系统ADIS，该系统能够正确识别出测试数据集上所有的“停车”标志。但它识别速度慢，难以用于真实环境。2011年德国以交通标志数据库为基础举办了交通标志检测与识别大赛，标志着本文档来自技高网...

【技术保护点】
1.一种城市道路标志自动识别方法，其特征在于包括下述步骤：/n步骤一：数据集准备/n获取交通路口拍摄的高清照片构建相关数据集，使用VOC2007的格式进行分类与标注，生成其对应输出的7×7×30张量类别标签；采用基于随机裁剪的数据集增强方法，对“交通目标数据集”进行增强；/n随机裁剪(Crop)是指从原始图像中随机裁剪一个正方形，边长范围为[0.3*min,min]，min为长与宽中的较小值，然后将剪裁部分的大小调整为原始图像的大小，采用resize函数，保持图像通道数不变，将裁剪后的图像的长宽调整为原图像的长宽大小；/n步骤二：构建Coef YOLO网络/n在YOLO网络基础上，由21个卷积...

【技术特征摘要】
1.一种城市道路标志自动识别方法，其特征在于包括下述步骤：
步骤一：数据集准备
获取交通路口拍摄的高清照片构建相关数据集，使用VOC2007的格式进行分类与标注，生成其对应输出的7×7×30张量类别标签；采用基于随机裁剪的数据集增强方法，对“交通目标数据集”进行增强；
随机裁剪(Crop)是指从原始图像中随机裁剪一个正方形，边长范围为[0.3*min,min]，min为长与宽中的较小值，然后将剪裁部分的大小调整为原始图像的大小，采用resize函数，保持图像通道数不变，将裁剪后的图像的长宽调整为原图像的长宽大小；
步骤二：构建CoefYOLO网络
在YOLO网络基础上，由21个卷积层和5个最大池化层组成CoefYOLO网络，网络各层依次为：卷积层，池化层，卷积层，池化层，卷积层，卷积层，卷积层，卷积层，池化层，卷积层，卷积层，卷积层，卷积层，池化层，卷积层，卷积层，卷积层，卷积层，池化层，卷积层，卷积层，卷积层，卷积层，卷积层，卷积层，卷积层；除最后一层外，在每一个卷积层后添加批量标准化层和线性整流激活函数RELU；
步骤三：训练CoefYOLO网络
将训练样本输入所述的CoefYOLO的端到端道路标志检测网络模型中进行训练，当训练达到所要求的最大迭代次数或者损失函数曲线不再下降且精度不再提高为止，将训练好的模型保存；
训练的具体步骤如下：
(1)第一次预训练：使用公共图像数据库ImageNet中的道路标志图像对设计的CoefYOLO网络进行第一次预训练，分别使用前12、20层，接入新的输出为1000维向量的全连接输出层，使用softmax激活函数，对ImageNet自然图像数据集上1000类数据进行分类；
(2)第二次预训练：固定前20层预训练所得到的参数，使用步骤一中准备的VOC2007格式的道路标志图像数据集对后6层进行训练，输出层使用sigmoid激活函数；
(3)正式训练：对于两次预训练后得到的网络，解除对前20层网络参数的固定，使用步骤一中准备的VOC2007格式的道路标志图像数据集继续训练，对整个网络的参数进行微调直至网络收敛，收敛即为达到最大迭代次数或损失函数不再下降且精度不再提高；
在YOLO的损失函数基础上，提出基于目标自适应优化改进的损失函数Cosefloss函数(CoefficientAdaptiveLossfunction)如公式(1)所示：



其中，表示遍历网格，s2表示网格数，本发明是7×7；coordError表示坐标误差；iouError表示交并比误差；classError表示分类损失；
Soefloss函数中的自适应模块如公式(2)所示，作用在YOLO损失函数中的坐标误差中：
AdaptiveModular＝＝Signoid(θ)(2)
其中xi，yi，wi，hi为网络预测值，为标注值，使用Sigmoid函数将θ归一化到[0.5,1]之间，如图2所示，和表示预测的边界框中心点和实际中心点位置...

【专利技术属性】
技术研发人员：聂烜，张衡，何大海，胡凯，任聪豪，蒋刚，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61