【技术实现步骤摘要】
基于深度监督的Anchor
‑
Free交通标志检测方法
[0001]本专利技术涉及一种交通标志检测方法。特别是涉及一种基于深度监督的Anchor
‑
Free交通标志检测方法。
技术介绍
[0002]交通标志是道路交通系统中最关键的组成要素之一，它为车辆提供了路况、实时交通状况等具有提示性或限制性的信息。车辆依照交通标志，遵守交通规则可以很大程度上减少交通拥堵和交通事故的发生。在实际应用中，交通标志检测算法是自动驾驶系统中不可或缺的一部分。由于交通标志形状规则、颜色鲜明，因此在研究早期，国内外学者主要通过结合多种图像处理方法解决交通标志检测问题。近年来，随着国内外学者对神经网络研究的不断深入，基于神经网络的检测方法比传统的图像处理方法检测效果更好、检测速度更快，被广泛地应用交通标志检测领域中，并占据了重要地位。
[0003]基于神经网络的交通标志检测算法准确率高，能够更好地应对光照变化、遮挡等情况对检测带来的负面影响。当前常用的基于神经网络的检测方法主要为Anchor
‑
【技术保护点】
【技术特征摘要】
1.一种基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，包括如下步骤：步骤1、构建数据集并进行数据预处理，构成训练集和测试集；步骤2、搭建基于深度监督的Anchor
‑
Free交通标志检测神经网络模型，包括依次串接的：输入单元(1)、编码单元(2)、跳层结构单元(3)、解码单元(4)和输出预测单元(5)，所述编码单元(2)还连接所述的解码单元(4)；步骤3、采用步骤1得到的训练集对基于深度监督的Anchor
‑
Free交通标志检测神经网络模型进行训练；步骤4、采用步骤1得到的测试集对基于深度监督的Anchor
‑
Free交通标志检测神经网络模型进行测试。2.根据权利要求1所述的基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，步骤1中所述的数据集是采用清华大学和腾讯公开的中国交通标志数据集TT100K中的出现频次大于100的包含45类交通标志的数据用于进行神经网络的训练和测试；所述的数据预处理，是将原图像根据交通标志所在区域随机裁剪为512
×
512像素的图像，裁剪后的图像内包含一个以上交通标志，并根据原有注释文件，得到裁剪后图像中交通标志检测框的注释；裁剪后图像中不完整的交通标志用于模拟交通标志被遮挡时的情况。3.根据权利要求1所述的基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，步骤2是通过深度学习框架PyTorch搭建基于深度监督的Anchor
‑
Free交通标志检测神经网络模型，所述的输入单元(1)包括：将输入的原始图像经过一个7
×
7卷积层进行浅层特征的初步提取得到特征图，所述的卷积层的卷积核大小为7
×
7、步长为2、输出通道数为64；将所述的特征图再依次经过1个BN层防止梯度消失，1个RELU激活函数层，以及1个步长为2、池化窗口为2
×
2的最大池化层后的特征图，构成编码单元(2)的输入。4.根据权利要求1所述的基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，步骤2中所述的编码单元(2)，包括：依次串接的第一残差模块、第二残差模块、第三残差模块、第四残差模块和空洞空间卷积池化金字塔模块，输入单元(1)输出的特征图再依次经过第一残差模块、第二残差模块、第三残差模块和第四残差模块进一步提取特征后，经过空洞空间卷积池化金字塔模块进行特征增强，得到增强后的特征图送入解码单元(4)，所述的第一残差模块、第二残差模块和第三残差模块的输出分别连接所述的跳层结构单元(3)。5.根据权利要求4所述的基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，所述的空洞空间卷积池化金字塔模块，分为5个分支，第一分支包括依次串接的全局平均池化层、第四1
×
1卷积层和上采样层；第二分支包括第五1
×
1卷积层；第三分支包括第一3
×
3扩张卷积层，所述第一3
×
3扩张卷积层的扩张率为6；第四分支包括第二3
×
3扩张卷积层，所述第二3
×
3扩张卷积层的扩张率为12；第五分支包括第三3
×
3扩张卷积层，所述第三3
×
3扩张卷积层的扩张率为18；第四残差模块输出的特征图分别进入五个分支后，再经过通道维度拼接层，融合不同感受野下的特征信息后，又经过第六1
×
1卷积层得到空洞空间卷积池化金字塔模块的输出特征图。6.根据权利要求1所述的基于深度监督的Anchor
‑
Free交通标志检测方法，其特征在于，步骤2所述的跳层结构单元(3)包括有第一1
×
1卷积层、第二1
×
1卷积层、第三1
×
1卷积层、第一深度监督机制、第二深度监督机制和第三深度监督机制，其中，所述的第一1
×
1卷
积层接...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。