一种基于改进的yolov3-tiny网络的交通标识检测方法技术

本发明专利技术公开了一种基于改进的yolov3‑tiny网络的交通标识检测方法，提高了yolov3‑tiny检测交通标识的准确率，同时减少了参数量，可以达到在嵌入式平台上实时检测交通标识的效果。该方法包括数据集预处理，yolov3‑tiny的网络结构的改进，以及改进后网络模型的测试。本发明专利技术的网络检测模型在测试集上的检测精度mAP达到93.53％，比yolov3‑tiny提高了4.17％，recall达到了94.49％，比yolov3‑tiny提高了2.63％，参数量只有5.7M，比yolov3‑tiny减少了83.6％，在嵌入式平台上检测交通标识时性能优良。本发明专利技术可以应用于交通标识检测领域。

【技术实现步骤摘要】
一种基于改进的yolov3-tiny网络的交通标识检测方法
本专利技术属于交通标识检测领域，具体涉及一种基于改进的yolov3-tiny网络的交通标识检测方法。
技术介绍
交通标识识别是高速公路养护，驾驶员辅助系统和智能汽车及城市建设很重要的一部分。交通标识包含丰富的道路交通信息，为驾驶员提供警示、辅助等道路信息，对减轻驾驶员的驾驶压力、降低道路的交通压力，减少交通事故的发生率起着重要的辅助作用，所以交通标识识别是实现智能交通很重要的一部分。在过去，交通标志检测的主流方法是基于传统的目标检测算法，传统的检测算法大部分是基于机器视觉的检测算法，基于形状和颜色进行检测等等，这种交通标志检测一般采用手动提取特征目标区域，然后结合分类器过滤出负面信息，但人为提取特征存在一定的主观性，所以传统检测方法有一定的局限性。目前，深度卷积网络应用于图像识别和目标检测，其速度和精度越来越高。卷积神经网络(CNN)无需预处理就可以从大量样本中学习特征，避免了手动提取特征的困难，学习了更多的广义特征。随着深度学习的不断发展，基于深度学习的目标检测算法也越来越多。RCNN(RegionswithCNN)通过提取多个候选区域，将所有候选区域分别输入CNN网络，再将CNN的输出输入SVM进行类别的判定；FastRCNN(FastRegionswithCNN)直接将整张图像输入到卷积层，得到候选区域的特征图，最后得到相对位置的回归和类别的判定；FasterRCNN(FasterRegionswithCNN)将FastRCNN中的提取候选区域的部分采用区域候选神经网RPN(RegionProposalNetwork)来完成；SSD(SingleShotMultiBoxDetector)是在不同层级的特征图下进行分类识别。上述这些算法都在CPU+GPU的异构平台上实现，模型都较大。而要在嵌入式平台上实现，网络需要具有模型小，实时性较高的特性，在所有检测算法中，Tiny-YOLO系列网络由于实时性高、参数量较小，在在嵌入式平台上更易实现。
技术实现思路
本专利技术的目的是提高yolov3-tiny检测交通标识的准确度的同时减少网络的参数量，以便移植到嵌入式平台上运行。本专利技术针对自动驾驶中的实际需求，可以达到在嵌入式平台上实时检测交通标识。为实现上述目的，按照本专利技术的一个方面，提供了一种基于改进的yolov3-tiny网络的交通标识检测方法，包括数据集预处理，改进yolov3-tiny的网络结构，以及改进后网络模型的测试。其中改进yolov3-tiny的网络结构包括修改初始候选框的个数，卷积层及目标检测层的增添及对网络进行密集连接。其中，数据集预处理，对于数据集图像，由于图像是从不同的设备上获取的，所以图像的大小并不统一，比如1000*300、1024*768和1280*720。此外，由于缩放变换，部分图像被更改为513*999和641*936。所使用数据集为长沙交通数据集CCTSDB的部分图片。考虑到YOLO算法所需输入的固定大小，我们将不同尺度的图像调整为608*608的均匀尺寸。同时，为了训练的有效性，训练集为上述数据集中随机的3500张，测试集为上述数据集中的随机的1000张，验证集为上述数据集中的随机500张。改进yolov3-tiny的网络结构包括修改初始候选框的个数，卷积层及目标检测层的增添及对网络进行密集连接三个步骤。具体地，修改候选框个数，并且用Kmeans方法重置初始候选框的宽和高，将原来的6个候选框修改成了9个，并使用Kmeans方法重新聚类候选框的宽和高，最终对应9个anchors的宽和高分别为(15,15),(19,19),(24,24),(16,41.6),(32,31),(46,44),(28.5,74.1),(70,73),(126,144)。具体地，卷积层的增添的目的是为了后续能增添目标检测层，目标检测层的增添是利用输出的16倍降采样特征图与经过2倍上采样的32倍降采样特征图进行拼接，建立输出为16倍降采样的特征融合目标检测层。原有的两个目标检测层增添到三个目标检测层。具体地，对网络进行密集连接是对部分卷积层进行了密集连接，将增添目标检测层后的网络的部分卷积层两两都进行了连接，使得密集连接网络中每一层都接受它前面所有层的特征作为输入，同时对检测层也进行了密集连接,使每个检测层都接受它前面所有检测层的特征作为输入，并用训练集训练改进后的yolov3-tiny网络。网络模型的测试，将测试集数据集输入训练好的网络模型,同时与其他模型训练测试该数据集进行对比。附图说明图1是本专利技术提供的基于改进yolov3-tiny的交通标识检测的方法图。图2是本专利技术中yolov3-tiny网络结构图。图3是本专利技术中的卷积尺度对比图。图4是本专利技术中的改进后的Improved-yolov3-tiny网络结构图。图5是本专利技术中的DenseNet网络结构示意图。图6是本专利技术PR曲线对比图。图7是本专利技术与原算法结果对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术，所属领域技术熟悉人员根据上述
技术实现思路
，对本专利技术做出一些非本质的改进和调整进行具体实施，应仍属于本专利技术的保护范围。图1中，一种基于改进的yolov3-tiny网络的交通标识检测方法，包括以下步骤：(1)数据集预处理，选取CCTSDB数据集的部分图片，随机分配训练集数据、测试集数据、验证集数据；(2)改进yolov3-tiny的网络结构，并将训练集数据输入改进后的yolov3-tiny(Improved-yolov3-tiny)进行训练；(3)将测试集数据的随机图片输入训练好的Improved-yolov3-tiny网络，以进行交通标识的检测。其中，步骤(2)又分为以下几个步骤：(1)修改初始候选框的个数，同时使用Kmeans方法重置初始候选框的宽和高。(2)卷积层及目标检测层的增添，在yolov3-tiny的网络结构第二个卷积层后面增添了两个不同卷积核数的卷积层,并且在原有的目标检测层的基础上添加了一个新的目标检测层，利用输出的16倍降采样特征图与经过2倍上采样的32倍降采样特征图进行拼接，建立输出为16倍降采样的特征融合目标检测层。原有的两个目标检测层增添到三个目标检测层。(3)对网络进行密集连接，对网络中采用部分密集连接。将增添目标检测层后的网络的部分卷积层两两都进行了连接，使得密集连接网络中每一层都接受它前面所有层的特征作为输入，同时对检测层也进行了密集连接,使每个检测层都接受它前面所有检测层的特征作为输入。具体地，所述步骤(1)中，所述CCTSDB部分数据集共包含5000张图像，将标注后的5000张图像随机分成训练集，测试集及验证集，数据量本文档来自技高网...

【技术保护点】
1.一种基于改进的yolov3-tiny网络的交通标识检测方法，其特征在于主要包括以下步骤：/n(1)数据集及网络模型预处理，选取CCTSDB数据集的部分图片，随机分配训练集数据、测试集数据、验证集数据，修改初始候选框的个数，同时使用Kmeans方法重置初始候选框(anchors)的宽和高；/n(2)卷积层及目标检测层的增添，在yolov3-tiny的网络结构第二个卷积层后面增添了两个不同卷积核数的卷积层,并且在原有的目标检测层的基础上添加了一个新的目标检测层，增添到了三个目标检测层；/n(3)对网络进行密集连接，对网络中的卷积层采用部分密集连接，对于密集连接的卷积层减少了卷积核的个数；/n(4)将训练集数据输入改进后的yolov3-tiny(Improved-yolov3-tiny)进行训练，将测试集的随机图片输入训练好的Improved-yolov3-tiny网络，以进行交通标识的检测。/n

【技术特征摘要】
1.一种基于改进的yolov3-tiny网络的交通标识检测方法，其特征在于主要包括以下步骤：
(1)数据集及网络模型预处理，选取CCTSDB数据集的部分图片，随机分配训练集数据、测试集数据、验证集数据，修改初始候选框的个数，同时使用Kmeans方法重置初始候选框(anchors)的宽和高；
(2)卷积层及目标检测层的增添，在yolov3-tiny的网络结构第二个卷积层后面增添了两个不同卷积核数的卷积层,并且在原有的目标检测层的基础上添加了一个新的目标检测层，增添到了三个目标检测层；
(3)对网络进行密集连接，对网络中的卷积层采用部分密集连接，对于密集连接的卷积层减少了卷积核的个数；
(4)将训练集数据输入改进后的yolov3-tiny(Improved-yolov3-tiny)进行训练，将测试集的随机图片输入训练好的Improved-yolov3-tiny网络，以进行交通标识的检测。


2.如权利要求1...

【专利技术属性】
技术研发人员：卿粼波，俞辰，滕奇志，何小海，胡亮，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51