基于改进Tiny-YOLOv4的交通标志检测方法技术

本发明专利技术公开了一种基于改进Tiny

【技术实现步骤摘要】
基于改进Tiny
‑
YOLOv4的交通标志检测方法


[0001]本专利技术属于图像检测
，具体涉及一种基于改进Tiny
‑
YOLOv4的交通标志检测方法。

技术介绍

[0002]交通标志检测系统是智能驾驶的一个重要组成部分，通过搭载在汽车上面的摄像头实时对交通道路场景进行拍摄，并将拍摄到的图片传入检测系统进行交通标志检测，为驾驶员提供有效的道路交通信息。提前预测前方的交通信息可以使驾驶员及时地做出判断，增加其反应时间，降低交通事故发生的机率。
[0003]交通标志检测方法主要分为传统检测方法和深度学习方法。传统检测方法需要人工设计特征，耗费时间长，检测精度不高，并且需要高质量的图像，很难达到实际应用场景的需求。基于深度学习的交通标志检测算法可以分为两类，基于候选区域的交通标志检测算法和基于回归的交通标志检测算法。基于候选区域的检测算法属于两阶段算法，其首先需要筛选出候选区域，然后提取候选区域的特征，最后进行分类和定位。基于回归的交通标志属于一阶段算法，省略了生成候选区域的步骤，直接使用卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Tiny
‑
YOLOv4的交通标志检测方法，其特征在于，包括以下步骤：S1、获取交通标志检测的图像训练集和图像验证集；S2、改进Tiny
‑
YOLOv4目标检测网络结构，包括：改进特征金字塔网络：改用尺度更大的预测特征层，并对其进行多尺度特征融合，从最深层次的特征图开始，依次将其上采样与上一层特征图进行特征融合，融合深层特征和浅层特征；改进主干特征提取网络：引入跨阶段局部网络和空间金字塔池化，用跨阶段局部网络替换原网络的第二层，将空间金字塔池化加入到主干特征提取网络的最后一层卷积层前，最后将主干特征提取网络的最后一层卷积层的卷积核大小由3
×
3大小改为1
×
1大小；S3、使用聚类算法对图像训练集和图像验证集进行聚类分析，得到适合的anchor框尺寸；S4、利用图像训练集和图像验证集，对改进后的Tiny
‑
YOLOv4目标检测网络进行训练；S5、利用训练后的改进Tiny
‑
YOLOv4进行交通标志检测。2.根据权利要求1所述的基于改进Tiny
‑
YOLOv4的交通标志检测方法，其特征在于，删除原尺度为13
×
13和26
×
26的预测特征层，改用52
×
52和104
×
104的预测特征层。3.根据权利要求1所述的基于改进T...

【专利技术属性】
技术研发人员：张小雪，黄巍，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：