基于多层次分治网络的交通标志目标检测方法技术

本发明专利技术公开一种基于多层次分治网络的交通标志目标检测方法，用于解决现有技术中对交通标志检测精度和召回率低的技术问题。本发明专利技术的具体步骤如下：生成训练集和测试集；训练目标检测网络；提取测试集中无交通标志目标的样本的背景类别；对训练集中的数据进行增强；生成标号类别的训练集和标号及背景类别的训练集；训练分类网络；对待检测的目标进行定位及粗分类；对粗分类后的图片进行细分类。本发明专利技术所构建的多层次分治网络克服了现有技术中对交通标志目标在定位与分类问题上无法获得优良结果的缺陷，使得本发明专利技术有效地提高了交通标志目标的定位与分类精确率。志目标的定位与分类精确率。志目标的定位与分类精确率。

【技术实现步骤摘要】
基于多层次分治网络的交通标志目标检测方法


[0001]本专利技术属于图像处理
，更进一步涉及图像目标检测
中的一种基于多层次分治网络的交通标志目标检测方法。本专利技术可用于检测自然图像中静止交通标志的目标。

技术介绍

[0002]交通标志检测是指根据图像中交通标志的颜色、形状等特征，定位交通标志的位置，并且对图像中的交通标志进行分类识别，获取交通标志的含义，规范车辆的行驶。近年来，大量的目标检测方法开始应用于交通标志检测，但在现实任务中目交通标志标检测仍然存在很多挑战，像对交通标志目标的分类效果较差等。这是由于现实生活中的交通标志样式简单、使用频率不同导致的交通标志分布不均匀，而且还有不同的光照，拍摄视角，拍摄距离等影响因素，导致交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡，形似干扰物过多问题。
[0003]浙江工业大学在其申请的专利文献“基于YOLOv3改进的交通标志检测与识别方法”(专利申请号CN201911422311.6，申请公布号CN111191608A)中公开了一种改进的目标检测网络YOLO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层次分治网络的交通标志目标检测方法，其特征在于，利用训练集训练好的目标定位及粗分类网络提取交通标志目标特征，将网络输出的向量与颜色类别和位置相对应，对图像数据集中的交通标志目标进行定位，并进行对交通标志目标的颜色粗分类；再利用增强后的训练集训练好的细分类网络对颜色分类后的交通标志目标进行交通标志标号及背景的细分类；所述交通标志目标检测方法的步骤包括如下：步骤1，生成训练集和测试集：S1，将至少1000张含有交通标志目标的图片组成目标图片数据集，其中每张至少含有一个像素大小大于16
×
16的交通标志目标；标注每张图片中的交通标志目标所在的每个外接矩形框的各顶点坐标和其代表的类别，分别按颜色和交通标志标号进行分类，并将标注后两个含有各目标各顶点坐标和其类别信息生成标注文件；S2，将目标图片数据集、标注文件组成训练集；S3，将至少300张不含有交通标志目标图片的无目标图片数据集组成测试集；步骤2，训练目标检测网络：将训练集输入到目标检测网络中，用梯度下降法更新网络的权值，直至损失函数收敛为止，得到训练好的目标定位及粗分类网络；步骤3，提取测试集中无交通标志目标的样本的背景类别：将测试集输入到目标定位及粗分类网络中，输出置信度大于等于0.6小于等于0.98目标结果所在的每个外接矩形框位置的检测结果并裁剪作为背景数据集；步骤4，对训练集中的数据进行增强：S1，将训练集中的每张图片依次根据各交通标志目标各顶点坐标和其交通标志标号类别信息标注文件裁剪，将裁剪后的所有交通标志图片，按照其交通标志标号类别分别存入以其交通标志标号命名的不同类别的文件夹中；S2，采用数据增强方式，从少于100张交通标志样本的每一类别文件夹中随机选取一张图片进行数据增强，将数据增强后的图片添加到该类别文件夹中；S3，重复S2的操作直至每一类别文件夹中图片数都大于或等于100张，将所有类别文件夹中的图片组成增强后的数据集；步骤5，生成标号类别的训练集和标号及背景类别的训练集：S1，将增强后的数据集中像素尺寸小于64
×
64的图片作为标号类别的训练集；S2，将增强后的数据集中像素尺寸大于或等于64
×
64的图片及背景数据集作为标号及背景类...

【专利技术属性】
技术研发人员：冯婕，要泉赫，梁宇平，张向荣，尚荣华，焦李成，王蓉芳，古晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：