一种基于改进YOLOv4的交通标志识别方法技术

本发明专利技术公开了一种基于改进YOLOv4的交通标志识别方法。其包括如下步骤：(1)采集交通标志数据集，并对采集到的交通标志数据集进行数据增强等操作；(2)进行图像标注，按照8:2的比例划分为训练集和测试集；(3)搭建改进的YOLOv4网络模型，并采用获取到的交通标志训练集对改进了的YOLOv4网络模型进行训练；(4)利用训练好的YOLOv4改进网络模型对测试集的交通标志图像进行检测与识别。本发明专利技术改进的YOLOv4网络能在保证检测速度的前提下，提高对小目标交通标志的检测精度。小目标交通标志的检测精度。小目标交通标志的检测精度。

【技术实现步骤摘要】
一种基于改进YOLOv4的交通标志识别方法


[0001]本专利技术涉及计算机视觉、图像处理领域，具体涉及一种基于改进YOLOv4的交通标志识别方法。

技术介绍

[0002]近年来目标检测算法不断取得重大的突破，但大都对小目标的检测效果并不理想。随着城市交通的智能化运行，无人驾驶智能车辆逐渐发展，成为人们发展和研究的目标，无人驾驶智能车辆的进步，势必需要交通标志检测与识别的快速发展支持，进而智能车辆在不久的将来便会遍布各地。交通标志检测与识别不仅加速无人驾驶车辆的发展，而且在人们的日常行驶中起到了十分重要的辅助驾驶作用，在现实道路交通中交通标志对于整体环境而言属于小目标物体，因此对小目标交通标志检测与识别的研究具有十分重要的意义。
[0003]目前主流的目标检测算法大致可以分为两大类，第一类主要是以R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN等为代表的two stage目标检测算法，此类算法将目标检测分为两个阶段，首先会基于候选区域生成网络生成一系列候选框，候选框会本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv4的交通标志识别方法，其特征在于，包括如下计算步骤：步骤1：获取交通标志数据集，并对采集到的数据集预处理；步骤2：改进YOLOv4网络模型；步骤S1：删除原网络中对小目标检测意义不大的19
×
19的预测层；通过特征融合利用浅层网络的细节特征增加了尺度为152
×
152的预测层，改善了小目标特征易丢失的问题，经过改进后的YOLOv4网络在颈部特征融合部分依旧按PANet路径的形式连接，以152
×
152，76
×
76，38
×
38三个尺度输入到预测层；步骤S2：将经过步骤S1初步改进的YOLOv4网络模型中颈部特征融合部分的PANet路径替换为双向特征金字塔网络BiFPN；步骤3：将训练集输入经步骤S1、S2改进后的YOLOv4网络进行训练，并保存最优的网络模型；步骤4：将测试集输入训练最优网络模型中进行测试，验证改进后模型的检测与识别效果。2.根据权利要求1所述的一种基于改进YOLOv4的交通标志识别方法，其特征在于，所述步骤1包括如下步骤：步骤2.1：对采集到的交通标志数据集中的样本图片随机添加高斯噪声，将添加高斯噪声的样本加入到训练集中；步骤2.2：随机选取数据集中四张图片进行随机翻转、色域变换和缩放等处理后依次放置在四个角落堆叠生成一张与原图大小相同的新图加入训练集，将上述步骤获得的图像加入训练集用于对改进YOLOv4模型进行训练，能提升模型的泛化性能。3.根据权利要求1所述的一种基于改进YOLOv4的交通标志识别方法，其特征在于，所述步骤1中，对TT100K交通标志数据集进行标注，将数据集图片按照8:2的比例随机划分为训练集和测试集，最后将TT100K数据集的json格式转换成符合YOLOv4网络输入的txt格式。4.根据权利要求1所述的一种基于改进YOLOv4的交通标志识别方法，其特征在于，所述步骤S1中，由于小目标尺寸较小，在低分辨率、大感受野的高层特征图中容易丢失大量小目标的细节信息，因此高层19
×
19的特征图针对小目标的检测效果并不好，为了提高对小...

【专利技术属性】
技术研发人员：韩方，宋清昆，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：