一种基于多尺度特征融合的信号灯检测识别方法及系统技术方案

本发明专利技术公开了一种基于多尺度特征融合的信号灯检测识别方法及系统，所述方法包括：构建交通信号灯数据集；对所述交通信号灯数据集中的目标进行K‑means聚类，获得初始候选框；将神经网络模型输入尺寸调整为第一尺寸；在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；在所述神经网络模型中嵌入空间金字塔池化模块；将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。解决了无法通过多尺度特征融合对信号灯进行检测识别，模型检测精度低、检测速度慢的技术问题。

【技术实现步骤摘要】
一种基于多尺度特征融合的信号灯检测识别方法及系统
本专利技术涉及检测识别
，尤其涉及一种基于多尺度特征融合的信号灯检测识别方法及系统。
技术介绍
近年来，随着社会经济的蓬勃发展及科技发展的不断推动，人们生活水平不断提高，私家车的数量不断增加，汽车已经成为人们出行首选的交通工具，其数量增加在给人们出行带来便利的同时也存在一些不便的方面，例如上下班、节假日等出行高峰易造成城市交通拥堵影响正常生活秩序，严重的甚至会导致交通事故的发生，危害人们生命和财产安全。交通信号灯作为城市交通中维护交通秩序，实现高效安全行车必需的交通控制设备，驾驶员们必须要快速准确获取其所提示的信息并及时做出反映。在实际驾驶过程中，驾驶员难免会因为路况复杂、气候环境多样、个人因素如疲劳等情况忽视了交通信号灯的信息，造成违规违章驾驶，严重的甚至会引起交通事故，进而造成交通拥堵，降低交通效率。因此，交通信号灯的检测与识别技术的研究对减少交通事故频率，维护人民生命财产安全具有重要意义。本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中存在无法通过多尺度特征融合对信号灯进行检测识别，模型检测精度低、检测速度慢、易造成漏检的技术问题。
技术实现思路
本申请实施例通过提供一种基于多尺度特征融合的信号灯检测识别方法及系统，先构建交通信号灯数据集；对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；将神经网络模型输入尺寸调整为第一尺寸；在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；在所述神经网络模型中嵌入空间金字塔池化模块；将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。解决了无法通过多尺度特征融合对信号灯进行检测识别，模型检测精度低、检测速度慢、易造成漏检的技术问题。达到了通过多尺度特征融合对信号灯进行检测识别，有效保证对信号灯检测识别的准确性、提高了检测速度以及检测质量的技术效果。鉴于上述问题，本申请实施例提供一种基于多尺度特征融合的信号灯检测识别方法及系统。第一方面，本申请提供了一种基于多尺度特征融合的信号灯检测识别方法，其中，所述方法包括：构建交通信号灯数据集；对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；将神经网络模型输入尺寸调整为第一尺寸；在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；在所述神经网络模型中嵌入空间金字塔池化模块；将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。另一方面，本申请还提供了一种基于多尺度特征融合的信号灯检测识别系统，其中，所述系统包括：第一构建单元，所述第一构建单元用于构建交通信号灯数据集；第一获得单元，所述第一获得单元用于对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；第一执行单元，所述第一执行单元用于将神经网络模型输入尺寸调整为第一尺寸；第二执行单元，所述第二执行单元用于在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；第三执行单元，所述第三执行单元用于在所述神经网络模型中嵌入空间金字塔池化模块；第二构建单元，所述第二构建单元用于将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；第四执行单元，所述第四执行单元用于通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。另一方面，本申请实施例还提供了一种基于多尺度特征融合的信号灯检测识别方法及系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本申请实施例提供了一种基于多尺度特征融合的信号灯检测识别方法及系统，构建交通信号灯数据集；对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；将神经网络模型输入尺寸调整为第一尺寸；在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；在所述神经网络模型中嵌入空间金字塔池化模块；将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。解决了无法通过多尺度特征融合对信号灯进行检测识别，模型检测精度低、检测速度慢、易造成漏检的技术问题。达到了通过多尺度特征融合对信号灯进行检测识别，有效保证对信号灯检测识别的准确性、提高了检测速度以及检测质量的技术效果。上述说明是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明图1为本申请实施例一种基于多尺度特征融合的信号灯检测识别方法的流程示意图；图2为本申请实施例一种基于多尺度特征融合的信号灯检测识别系统的结构示意图；图3为本申请实施例示例性电子设备的结构示意图；图4为本申请实施例构建交通信号灯数据集的流程示意图；图5为本申请实施例获得初始候选框的流程示意图；图6为本申请实施例对所述基于小尺度交通信号灯目标的检测与识别模型进行网络层剪枝的流程示意图；图7为本申请实施例将进行通道剪枝后的所述基于小尺度交通信号灯目标的检测与识别模型进行网络层剪枝的流程示意图。附图标记说明：第一构建单元11，第一获得单元12，第一执行单元13，第二执行单元14，第三执行单元15，第二构建单元16，第四执行单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。具体实施方式本申请实施例通过提供一种基于多尺度特征融合的信号灯检测识别方法及系统，解决了无法通过多尺度特征融合对信号灯进行检测识别，模型检测精度低、检测速度慢、易造成漏检的技术问题。达到了通过多尺度特征融合对信号灯进行检测识别，有效保证对信号灯检测识别的准确性、提高了检测速度以及检测质量的技术效果。下面，将参考附图详细的描述本申请的示例实施例，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。申请概述近年来，随着社会经济的蓬勃发展及科技发展的不断推动，人们生活水平不断提高，私家车的数量不断增加，汽车已经成为人们出行首选的交通工具，其数量增加在给人们出行带来便利的同时也存在一些不便的方面，例如上下班、节假日等出行高峰易造成城市交通拥堵影本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征融合的信号灯检测识别方法，其中，所述方法包括：/n构建交通信号灯数据集；/n对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；/n将神经网络模型输入尺寸调整为第一尺寸；/n在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；/n在所述神经网络模型中嵌入空间金字塔池化模块；/n将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；/n通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。/n

【技术特征摘要】
1.一种基于多尺度特征融合的信号灯检测识别方法，其中，所述方法包括：
构建交通信号灯数据集；
对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框；
将神经网络模型输入尺寸调整为第一尺寸；
在YOLOv3检测层的基础上增加4倍降采样后的检测层，删掉32倍降采样后的检测层；
在所述神经网络模型中嵌入空间金字塔池化模块；
将所述神经网络模型中的FPN结构替换为PANet结构，构建基于小尺度交通信号灯目标的检测与识别模型；
通过所述基于小尺度交通信号灯目标的检测与识别模型对信号灯进行检测和识别。


2.如权利要求1所述的方法，其中，所述构建交通信号灯数据集，包括：
收集所述交通信号灯数据集中的数据信息；
对所述交通信号灯数据集进行数据标注；
根据所述交通信号灯数据集的特点，确定数据扩充方式；
根据所述数据扩充方式，对所述交通信号灯数据集进行数据扩充。


3.如权利要求1所述的方法，其中，所述对所述交通信号灯数据集中的目标进行K-means聚类，获得初始候选框，包括：
获得真实框坐标尺寸信息；
在所有所述真实框中随机选取k个值作为k个锚点框的初始值；
计算每个所述真实框与所述锚点框的IoU；
获得每个所述真实框对于每个所述锚点框的误差；
通过比较误差大小选取获得第一锚点框，所述第一锚点框为最小误差的锚点框；
将与所述第一锚点框对应是所述真实框分类给第一锚点框子集，并对所述锚点框进行更新，获得第二锚点框；
获得所述第二锚点框的精确度。


4.如权利要求1所述的方法，其中，所述PANet结构的公式为：






其中，表示输入到特征融合网络中的特征图；

表示PANet网络先经过类似FPN自顶向下操作得到的中间值；

表示经过特征融合网络处理后的输出；
Conv()表示特征图进行的卷积处理；
Rs()表示通过对特征图进行匹配而进行的上采样或下采样操作。


5.如权利要求1所述的方法，其中，所述方法...

【专利技术属性】
技术研发人员：何自芬，黄俊璇，张印辉，朱守业，刘志涛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南;53