一种多尺度特征融合的道路交通多要素检测方法技术

本发明专利技术公开了一种多尺度特征融合的道路交通多要素检测方法，其特征在于，利用k

【技术实现步骤摘要】
一种多尺度特征融合的道路交通多要素检测方法


[0001]本专利技术属于道路交通状况监测
，具体涉及一种多尺度特征融合的道路交通多要素检测方法。

技术介绍

[0002]道路交通要素是构成道路的重要组成部分，是构建交通基础地理信息数据库的主要内容，对发展交通基础地理信息尤为重要。道路交通要素信息主要包括道路中心线、道路交叉口、斑马线、公交车站台、路内停车位等信息[1]，对其准确识别与检测可为自动驾驶、完善智能交通系统、推进智慧城市以及更新交通基础地理信息数据库提供了重要的数据支撑。当前，多数学者的研究是基于单要素的交通标志牌的检测与识别、路网信息的提取、路况的实时监测等，对道路交通多要素信息提取的研究较少。但道路交通多要素信息的检测与识别对更新交通基础地理信息数据库有着重要价值。传统的车载相机由于拍摄范围有限，只能获取到小部分的道路交通要素信息，不利于大面积的交通要素信息获取。
[0003]深度学习有着适应性强，应用范围广，检测效果好等特点，被越来越多的学者们关注并应用于实际工作中。基于深度学习的目标检测可分为两类：1)一阶段检测。直接通过卷积神经网络进行提取特征预测目标分类与定位，以SSD、YOLO系列等为代表。2)两阶段检测。先生成候选区域，再通过卷积神经网络预测目标分类与定位，以R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN等为代表。例如Lin等提出了一种基于YOLOv4
‑
tiny和卷积模糊神经网络的智能交通监控系统。该系统通过将融合方法与模糊神经网络相结合，设计了卷积模糊神经网络和向量卷积模糊神经网络方法。通过该方法可有效地减少网络参数的个数，提高分类精度，实现交通流量和车辆类型分类检测；Zhu等提出了一种基于图像大数据的道路交通态势感知系统。该系统对交通态势感知系统进行了研究，将卷积神经网络用于道路图像大数据中的车辆分类和位置识别，建立了基于道路交通图像大数据的深卷积神经网络模型；Tian等提出了一种基于多尺度循环注意力网络的交通标志检测方法。该方法通过循环注意力将相邻层的相关上下文细节合并到检测体系结构中实现交通标志的检测；Zhang等提出了一种基于多尺度和样本不平衡的级联R
‑
CNN交通标志检测方法。该方法通过级联的R
‑
CNN来获取金字塔中的多尺度特征，利用点积和Softmax提取加权多尺度特征，实现对小尺寸交通标志以及复杂环境下的交通标志的检测；Chen等提出一种改进Mask R
‑
CNN的方法实现路面交通标志识别。该方法通过改进Mask R
‑
CNN算法，解决了对阴影区路标、遮挡路标以及磨损路标等无法识别或识别精度低的问题，实现了对路面交通标志的自动检测与识别。
[0004]随着深度学习的发展，目标检测经历着从传统方法到深度学习方法的转变。目前，国内外学者对于目标检测开展了许多研究工作。目标检测已被广泛的应用于各行各业中，如病理检测、人脸识别、农产品虫害识别、自动驾驶、文本检测等领域中。传统的目标检测方法通常是基于颜色、纹理、形状或者是一些中高层次语义特征的方法。如Zhang等通过基于像素向量的自适应颜色分割方法将彩色图像分割成二值图像，突出交通标志区域，降低光照对图像分割的影响。并通过形状特征实现从自然场景图像中检测出道路交通标志；
Berkaya等利用彩色图像对圆形交通标志进行检测与识别。通过多特征集和支持向量机分类器实现交通标志分类；Ellahyani等提出了基于随机森林的交通标志检测与识别方法。该方法首先将HOG特征扩展到HSI颜色空间，并结合局部自相似性(LSS)特征获取交通标志识别的新特征；然后利用随机森林分类器和构建的新特征实现交通标志的检测与识别。
[0005]但是，此类传统方法大多都是通过提取颜色、形状和纹理特征，采用随机森林、支持向量机等分类器进行分类，存在时间复杂度高、窗口冗余、分类速度慢等问题，对多样性的检测预期目标难以实现。

技术实现思路

[0006]为了解决多尺度道路交通要素检测效果差、小目标检测困难的技术问题，本专利技术提供了一种多尺度特征融合的道路交通多要素检测方法，并提出了一种ASFF
‑
YOLOv5网络，用于道路交通多要素自动识别与检测，在提升检测精度的同时降低了小目标错检和漏检问题，实现了多尺度道路交通要素的自动检测与识别。
[0007]为了解决上述技术问题并达到上述技术效果，本专利技术是通过以下技术方案实现的：一种多尺度特征融合的道路交通多要素检测方法，其特征在于，具体包括以下步骤：
[0008]S1、采集道路交通多要素数据集；要素包括：斑马线、路边停车位、公交车站台；
[0009]S2、利用k
‑
means++聚类算法对S1中采集的数据集进行预处理，得到与道路交通多要素数据集相匹配的候选框尺寸；
[0010]通过k
‑
means++簇心计算的方式得到初始簇心，然后再运行k
‑
means聚类算法得到聚类结果，将道路交通要素尺度定义为9个簇，通过k
‑
means++聚类算法计算得到目标候选框尺寸；
[0011]S3、利用ASFF
‑
YOLOv5网络对数据集的特征图进行特征提取，所述ASFF
‑
YOLOv5网络由主干特征提取网络、特征图金字塔网络以及分类器与回归器这三部分组成，具体包括如下步骤：
[0012]S3.1、在主干特征提取网络中不断进行残差堆叠提取获得三个有效特征层，且在最后一个有效特征层中通过引入SPPF结构，同时通过使用相同池化核的最大池化进行特征提取，提高特征图的分类精度和速度；
[0013]S3.2、将上述S3.1、得到的有效特征层传输至PANet结构中，通过上、下采样进一步加强特征提取，其间融合ASFF+RFB模块，对多尺度道路交通要素信息的提取，能够实现提升感受野，实现不同尺度检测物的特征信息提取，完成更丰富的特征信息提取；
[0014]S3.3、在特征金字塔中实现对S3.2中提取的多尺度道路交通要素进行特征融合；
[0015]S3.4、得到三个加强后的有效特征层，通过分类器与回归器得到预测和回归结果；
[0016]S4、最后通过检测头输出道路交通多要素的检测结果并对其进行精度评价；
[0017]进一步的，所述S3.1中SPPF结构将原SPP中3个不同大小卷积核的并行最大池化操作改为3个相同大小的卷积核串行操作；
[0018]进一步的，所述SPPF结构首先对CBS结构传输进来的数据串列进行5
×
5的最大池化操作，再通过concat拼接方式连接传入至CBS结构中，实现提升速度的同时完成更丰富的特征信息提取。
[0019]进一步的，所述S3.2中ASFF
‑
YOLOv5算法将ASFF结构融合至PANet结构中，首先对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度特征融合的道路交通多要素检测方法，其特征在于，具体包括以下步骤：S1、采集道路交通多要素数据集；要素包括：斑马线、路边停车位、公交车站台；S2、利用k
‑
means++聚类算法对S1中采集的数据集进行预处理，得到与道路交通多要素数据集相匹配的候选框尺寸；通过k
‑
means++簇心计算的方式得到初始簇心，然后再运行k
‑
means聚类算法得到聚类结果，将道路交通要素尺度定义为9个簇，通过k
‑
means++聚类算法计算得到目标候选框尺寸；S3、利用ASFF
‑
YOLOv5网络对数据集的特征图进行特征提取，所述ASFF
‑
YOLOv5网络由主干特征提取网络、特征图金字塔网络以及分类器与回归器这三部分组成，具体包括如下步骤：S3.1、在主干特征提取网络中不断进行残差堆叠提取获得三个有效特征层，且在最后一个有效特征层中通过引入SPPF结构，同时通过使用相同池化核的最大池化进行特征提取；S3.2、将上述S3.1、得到的有效特征层传输至PANet结构中，通过上、下采样进一步加强特征提取，其间融合ASFF+RFB模块，对多尺度道路交通要素信息的...

【专利技术属性】
技术研发人员：黄亮，裘木兰，唐伯惠，陈国坤，许安泽，朱娟娟，田秋媛，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：