基于深度学习的交通锥桶检测定位方法、系统及存储介质技术方案

本发明专利技术涉及一种基于深度学习的交通锥桶检测定位方法、系统及存储介质，其包括：在预先获取的彩色图像中对交通锥桶进行检测识别；在预先获取的深度图像中对交通锥桶进行检测识别；将彩色图像的检测识别结果与深度图像的检测识别结果进行匹配，得到最终的交通锥桶的类别和三维空间位置。本发明专利技术将改进的YOLOv4算法应用于交通锥桶检测任务中，能够准确、全面和快速的从图像中检测到交通锥桶，并通过匹配彩色图像和深度图像检测结果的方法，同时获取到交通锥桶的类别和三维位置。

【技术实现步骤摘要】
基于深度学习的交通锥桶检测定位方法、系统及存储介质
本专利技术涉及一种基于机器视觉的目标检测
，特别是关于一种基于深度学习的交通锥桶检测和定位方法、系统及存储介质。
技术介绍
随着电子信息技术和汽车工业的发展，辅助驾驶、自动驾驶技术成为热门的研究方向，而基于机器视觉系统的目标检测技术是辅助驾驶、自动驾驶领域的核心技术之一。目前，对于车辆、行人和交通标志等已有较好的检测效果，但是对于检测道路上的交通锥桶，国内外的相关研究较少。交通锥桶通常放置于发生特殊状况的道路或引导、标识临时道路。在自动驾驶任务中，由于车辆在不断移动，因此对检测速度和检测精度都有一定要求。在交通锥桶识别领域，过去常常使用基于图像特征的识别方法，如形状特征和颜色特征。HUANGYong等人提出使用形状匹配的方法检测候选区域是否是交通锥桶。对图像进行预处理，并提取图像的轮廓，与预先设置好的模板进行匹配，以确定目标是否为交通锥桶，实验结果显示可以检测到距离在45m内的交通锥桶。但这种方法受到环境的影响较大，容易将相近形状的物体误检为锥桶。近年来将机器学习技术应用到交通锥本文档来自技高网...

【技术保护点】
1.一种基于深度学习的交通锥桶检测和定位方法，其特征在于，包括以下步骤：/n1)在预先获取的彩色图像中对交通锥桶进行检测识别；/n2)在预先获取的深度图像中对交通锥桶进行检测识别；/n3)将彩色图像的检测识别结果与深度图像的检测识别结果进行匹配，得到最终的交通锥桶的类别和三维空间位置。/n

【技术特征摘要】
1.一种基于深度学习的交通锥桶检测和定位方法，其特征在于，包括以下步骤：
1)在预先获取的彩色图像中对交通锥桶进行检测识别；
2)在预先获取的深度图像中对交通锥桶进行检测识别；
3)将彩色图像的检测识别结果与深度图像的检测识别结果进行匹配，得到最终的交通锥桶的类别和三维空间位置。


2.如权利要求1所述交通锥桶检测和定位方法，其特征在于，采用改进的YOLOv4的彩色图检测网络进行交通锥桶检测识别；采用改进的YOLOv4的深度图检测网络在深度图像中进行交通锥桶检测识别。


3.如权利要求2所述交通锥桶检测和定位方法，其特征在于，所述检测识别方法包括以下步骤：
1.1)制作交通锥桶的彩色图像数据集或深度图像数据集，并制作数据集中图片文件信息对应的标签文件；
1.2)采用k-means聚类计算锚盒框大小；
1.3)将训练集图片按随机顺序传入改进的YOLOv4网络中，并对图片做增强处理；
1.4)使用测试集对网络进行评估，记录平均精度均值mAP，并保存最高mAP时的网络权重作为最终权重，当训练次数达到预定次数后，训练停止；
1.5)加载最终权重，对测试集进行评估，判断网络是否出现过拟合，当检测结果与测试集中的检测结果相近，则认为训练完成；
1.6)使用训练好的网络和最终权重执行检测识别，输出目标的类别和位置。


4.如权利要求3所述交通锥桶检测和定位方法，其特征在于，所述步骤1.3)中，对YOLOv4网络的改进包括：
对损失函数中边界框回归部分进行改进，将原有比例系数(2-w*h)更改为(2-w*h*2)；
对损失函数中边界框分类部分进行改进，构造一个新的动态分类值c＝α*cls+(1-α)*loc，用于代替网络直接输出的类别分类值在损失函数中计算分类损失，其中α为常数，loc为当前预测的边界框与真实框的IoU，cls为网络输出的类别分类。


5.如权利要求3所述交通锥桶检测和定位方法，其特征在于，所述步骤1.3)中，对于彩色图像的增强处理方法为：将图片转换到HSV色彩通道，并根据配置文件中的色调、饱和度和曝光度参数，在H通道增加[-色调值,色调值]中的随机值，对S和V通道分别随机乘...

【专利技术属性】
技术研发人员：王立勇，王浩东，苏清华，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11