一种基于YOLO-V3的路标辅助检测控制方法技术

本发明专利技术涉及一种基于YOLO

【技术实现步骤摘要】
一种基于YOLO
‑
V3的路标辅助检测控制方法


[0001]本专利技术涉及辅助驾驶
，尤其是涉及一种基于YOLO
‑
V3的高效轻量的路标辅助检测控制方法。

技术介绍

[0002]随着我国交通行业的高速发展，不论是营运车辆的数量还是家用车辆的数量都在逐年快速增长。车载辅助系统开始成了人们研究的一个热门方向，针对一些特殊场景，车载辅助系统能起到意想不到的作用，比如疲劳检测、自适应巡航等系统，大大减轻的驾驶员行驶时危险的同时也为驾驶员提供了极大的方便。路线导航系统也是车载辅助系统中的一种，它能为驾驶员提供当前路线的一些路标信息，比如限速信息。但是它提供的路标信息是一个先验知识，对于一些变更的信息或者新设置的路标并不能提供很好的提示，同时有可能会给出一些错误的信息，这对于驾驶员来说是十分不想看到的，甚至可能影响驾驶员的判断。
[0003]与此同时，近年来深度学习的高速发展使得计算机视觉等新方向飞速发展。目标检测、目标跟踪等AI技术层出不穷。人们由一开始的追求高准确率逐渐转变为高准确率和高效并行，模型由two
‑
stage转向one
‑
stage又转向anchor
‑
free。研究方向开始重视模型的落地。从Faster
‑
RCNN到YOLO
‑
V3，检测的精确度没有得到明显的提升，但是检测的速度却完全不是一个量级。
[0004]路标检测系统，即通过车载摄像头输入的路面前方的图片信息来判断路边是否有路标以及路标的类型，并给予驾驶员相关的提醒。针对检测的路标可以选择全部检测，也可以选择性检测，即只检测想要的路标。
[0005]针对路标检测使用two
‑
stage的方法即先将路标区域分割出来再进行检测固然可以获得更为准确的结果，但是却十分费事，对于路标检测系统需要的就是检测的速度，如果速度不够那么检测的准确率就没有意义，所以选择了以one
‑
stage的YOLO
‑
V3为基础设计检测网络，在保持较好效果的前提仍能以较快的速度检测。YOLO
‑
V3经过多次改进，针对小目标的检测效果大大提升，而对于路标来说最大的问题就是在远距离的时候就检测出刚出现的路标，这是一个小目标检测的问题。对于YOLO模型刚提出时，小目标检测是YOLO的一个大问题，但是经过改进，引入了FPN的思想并进行了修改，使得小目标检测的问题被大大改善。
[0006]对于路标检测采用传统的深度学习网络很难针对多种情况输出准确结果，因为这个本质是一个视觉问题，但是却不需要输出目标的定位，因为不需要知道路标在哪，只需要知道路标是否存在。注意力机制是近年来起源于NLP的一种新技术，关键在于如何利用特征之间的关联性来提升模型的效果，在2017ImageNet的冠军模型中就使用了注意力机制，有了不错的提升。同时针对设计好的网络需要多次训练进行参数调整才能达到一个较好的效果。

技术实现思路

[0007]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于YOLO
‑
V3的路标辅助检测控制方法，提高路标检测效率，降低对存储设备的需求。
[0008]本专利技术的目的可以通过以下技术方案来实现：
[0009]一种基于YOLO
‑
V3的路标辅助检测控制方法，具体包括以下步骤：
[0010]S1、采集行驶过程中车辆前方的原始视频图像，通过Gamma校正法对原始视频图像进行图像预处理，同时提取出原始视频图像的HOG特征，与经过处理的原始视频图像以及原始图像进行拼接；
[0011]S2、拼接完成的图像输入检测网络，输出检测结果；
[0012]S3、将所述检测结果转化为路标信息和环境信息，显示所述路标信息，同时采集车辆前方的路况信息，结合环境信息和路况信息，生成相应的语音信息并输出，辅助驾驶员对路标信息进行判断。
[0013]所述检测网络中包括多路YOLO
‑
V3网络对拼接完成的图像进行检测。
[0014]所述YOLO
‑
V3网络具体为经过基于批标准化层参数的方式完成通道剪枝的YOLO
‑
V3网络。
[0015]进一步地，所述检测网络中通过压缩稀疏矩阵对完成通道剪枝的YOLO
‑
V3网络进行存储优化。
[0016]进一步地，所述批标准化层的公式具体如下所示：
[0017][0018][0019]其中，z
in
和z
out
分别是批标准化层的输入和输出，γ为修正参数，β为平移参数，μ
β
为小批量平均值，为小批量差异值，为标准化值。
[0020]进一步地，基于批标准化层参数的方式是以修正参数作为参考因子对YOLO
‑
V3网络进行通道剪枝。
[0021]所述检测网络中设有卷积层，所述卷积层采用深度可分离卷积代替2D卷积。
[0022]进一步地，深度可分离卷积包括空间卷积阶段和通道卷积阶段，具体公式如下所示：
[0023]cal1＝D
k
×
D
k
×
M
×
D
F
×
D
F
[0024]cal2＝M
×
N
×
D
F
×
D
F
[0025]cal＝cal1+cal2
[0026]其中，cal为卷积层的计算量，cal1为空间卷积阶段的计算量，cal2为通道卷积阶段的计算量，D
K
为卷积核的边长，M为输出的通道数，N为输入的通道数，D
F
为输入的特征图的边长。
[0027]所述环境信息包括天气信息和能见度信息。
[0028]所述检测网络中位于浅层的卷积层会检测路标信息、天气信息和能见度信息，位于深层的卷积层会继续检测路标信息。
[0029]所述步骤S1中图像预处理的方式具体为对原始视频图像进行颜色空间的标准化。
[0030]与现有技术相比，本专利技术具有以下有益效果：
[0031]1.本专利技术针对原始视频图像采用Gamma校正法进行图像预处理，减少光照对于路标检测效果的影响，同时在图像拼接的时候也加入了原始视频图像，保证对天气情况和能见度情况的检测。
[0032]2.本专利技术不同于常规的直接输入图片进行检测，对于原始视频图像，本专利技术处理出图像的方向梯度直方图特征(HOG)也作为网络的输入，HOG对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上，其次，添加方向梯度直方图特征后，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，对于从不同角度都可以较好地检测路标信息。
[0033]3.本专利技术针对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO
‑
V3的路标辅助检测控制方法，其特征在于，具体包括以下步骤：S1、采集行驶过程中车辆前方的原始视频图像，通过Gamma校正法对原始视频图像进行图像预处理，同时提取出原始视频图像的HOG特征，与经过处理的原始视频图像以及原始图像进行拼接；S2、拼接完成的图像输入检测网络，输出检测结果；S3、将所述检测结果转化为路标信息和环境信息，显示所述路标信息，同时采集车辆前方的路况信息，结合环境信息和路况信息，生成相应的语音信息并输出，辅助驾驶员对路标信息进行判断。2.根据权利要求1所述的一种基于YOLO
‑
V3的路标辅助检测控制方法，其特征在于，所述检测网络中包括多路YOLO
‑
V3网络对拼接完成的图像进行检测。3.根据权利要求1所述的一种基于YOLO
‑
V3的路标辅助检测控制方法，其特征在于，所述YOLO
‑
V3网络具体为经过基于批标准化层参数的方式完成通道剪枝的YOLO
‑
V3网络。4.根据权利要求3所述的一种基于YOLO
‑
V3的路标辅助检测控制方法，其特征在于，所述检测网络中通过压缩稀疏矩阵对完成通道剪枝的YOLO
‑
V3网络进行存储优化。5.根据权利要求3所述的一种基于YOLO
‑
V3的路标辅助检测控制方法，其特征在于，所述批标准化层的公式具体如下所示：化层的公式具体如下所示：其中，z
in
和z
out
分别是批标准化层的输入和输出，γ为修正参数，β为平移参数，μ
β
为小批量平均值，为小批量差异值，...

【专利技术属性】
技术研发人员：赵生捷，沈祺，韩丰夏，
申请(专利权)人：同济大学，
类型：发明
国别省市：