一种基于YOLOv4的轻量化交通标志检测方法技术

本发明专利技术提出一种基于YOLOv4的轻量化交通标志检测方法。引入多幅交通标志图像构建交通标志数据集，人工标志数据集中每幅图像中多个交通标志目标真实边框，计算真实边框的宽度、高度、中心点坐标，以及边框内交通标志类别；引入基于YOLOv4的轻量化交通标志检测网络，将数据集中的每幅图像输入基于YOLOv4的轻量化交通标志检测网络，结合每幅图像的交通标志目标真实边框的宽度、高度以及中心点坐标构建损失函数模型，通过梯度下降法得到训练后的基于YOLOv4的轻量化交通标志检测网络；将交通标志图像输入优化后基于YOLOv4的轻量化交通标志检测网络，得到图像的预测边框、目标类别。本发明专利技术能够检测复杂道路中不同交通标志，辅助司机驾驶、无人驾驶，提高行驶安全性。提高行驶安全性。提高行驶安全性。

【技术实现步骤摘要】
一种基于YOLOv4的轻量化交通标志检测方法


[0001]本专利技术属于交通检测
，具体涉及一种基于YOLOv4的轻量化交通标志检测方法。

技术介绍

[0002]目标检测负责识别和定位数字图像中的单个或多个目标，是计算机视觉领域的重要研究任务之一，也是许多其他任务(例如目标跟踪、实例分割、图像描述生成等)的重要环节。在过去的二十年内，目标检测的发展历程分为两个时期：传统的目标检测时期以及基于深度学习的目标检测时期。传统的目标检测方法采用滑动窗口技术筛选目标区域，通过人工涉设计的算法提取图像特征，最后利用分类器判定目标类别。随着深度学习技术的不断发展，基于卷积神经网络的目标检测技术逐渐替代了传统的目标检测算法，在精确度和速度方面都取得了明显提升。
[0003]在目标检测技术的应用场景中，智能交通是一个重要领域。智能交通是智慧城市的建立中不可缺少的一部分，其主要是将现有的交通设施充分应用到交通信息的处理和分析中。交通标志检测作为智能交通系统中的一项重要任务，其主要作用体现在两个方面：1.司机辅助驾驶：通过检测何在摄像头拍摄到的交通标志本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4的轻量化交通标志检测方法，其特征在于，包括如下步骤：步骤1：引入多幅交通标志图像构建交通标志数据集，人工标记交通标志数据集中每幅交通标志图像中多个交通标志目标真实边框，进一步计算交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框的宽度、高度，进一步计算交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框的中心点坐标，人工标记交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框中的交通标志类别；步骤2：引入基于YOLOv4的轻量化交通标志检测网络，将步骤1所述交通标志数据集中的每幅交通标志图像依次输入至基于YOLOv4的轻量化交通标志检测网络，结合步骤1所述的交通标志数据集中每幅交通标志图像的交通标志目标真实边框、每幅交通标志图像中每个交通标志目标真实边框的宽度、高度以及每个交通标志目标真实边框的中心点坐标构建损失函数模型，通过梯度下降法优化训练，得到优化后的基于YOLOv4的轻量化交通标志检测网络；步骤3：将实时交通标志图像输入到优化后YOLOv4轻量化交通标志检测网络进行预测，得到实时交通标志图像的预测边框、目标类别。2.根据权利要求1所述的基于YOLOv4的轻量化交通标志检测方法，其特征在于，步骤1所述交通标志数据集为：{data
k
(x，y)，k∈[1，K]，x∈[1，X]，y∈[1，Y]}其中，data
k
(x，y)表示交通标志数据集中第k幅图像的第x行第y列像素信息，K表示交通标志数据集的图片数量，X表示交通标志数据集中图片像素的行数，Y表示交通标志数据集中图片像素的列数；步骤1所述交通标志数据集中每幅交通标志图像中多个交通标志目标真实边框，定义为：为：其中，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的左上角坐标，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的左上角坐标点的横坐标，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的左上角坐标点的纵坐标；表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的右下角坐标，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的右下角坐标点的横坐标，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的右下角坐标点的纵坐标；K表示交通标志数据集的图片数量；N
k
表示交通标志训练集中第k幅图像中的交通标志目标真实边框的数量；步骤1所述交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框的宽度、高度，定义为：
其中，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的宽度，表示交通标志数据集中第k幅图像中第n个交通标志目标真实边框的高度；步骤1所述交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框的中心点坐标定义为：步骤1所述交通标志数据集中每幅交通标志图像中每个交通标志目标真实边框中交通标志类别，定义为：其中，表示交通标志数据集中第k幅图像中第n个交通标志目标的类别。3.根据权利要求1所述的基于YOLOv4的轻量化交通标志检测方法，其特征在于，步骤2所述的YOLOv4轻量化交通标志检测网络包括：改进后的MobileNetv3主干网络、SPP模块、PyNet特征融合模块以及检测头部；改进后的MobileNetv3主干网络在原始MobileNetv3的基础上添加了PSA注意力分割模块；交通标志数据集中每幅交通标志图像经过改进后的MobileNetv3主干网络进行特征提取得到第一输出特征层、第二输出特征、第三输出特征层；所述改进后的MobileNetv3主干网络包括3
×
3卷积层、PSA注意力分割模块，以及第一Mobileblock模块、第二Mobileblock模块、第三Mobileblock模块、第四Mobileblock模块、第五Mobileblock模块；所述3
×
3卷积层定义为：Conv1；所述PSA注意力分割模块定义为：P1；所述第一Mobileblock模块定义为：M1；所述第二Mobileblock模块定义为：M2；所述第三Mobileblock模块定义为：M3；所述第四Mobileblock模块定义为：M4；所述第五Mobileblock模块定义为：M5；交通标志数据集中每幅交通标志图像首先输入Conv1，经过卷积操作得到改变通道数后的特征层，并输出至所述P1，经过特征加权操作得到融合后的特征层，并输出至所述M1，经过卷积操作得到改变通道数后的特征层，并输出至所述M2，经过卷积操作得到第一输出特征层，第一输出特征层传入所述M3，经过卷积操作得到改变通道数后的特征层，并输出至所述M4，经过卷积操作得到第二输出特征层，第二输出特征层传入所述M5，经过卷积操作得到第三输出特征层；所述第一输出特征层...

【专利技术属性】
技术研发人员：王春枝，童欣，高榕，严灵毓，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：