一种基于一阶段检测网络的交通标志检测方法及系统技术方案

本发明专利技术提供了一种基于一阶段检测网络的交通标志检测方法及系统，通过给定输入图像，确定交通标志的位置和类别。基于修改后的检测网络，提取后三块的特征信息；基于多尺度注意力增强机制关注不同位置不同通道信息的特征，有偏重的加权组合通道及水平方向信息；通过将重新组合后的特征送入特征增强网络以及改进的特征金字塔网络中，使得特征同时具有丰富的语义信息和更细节的空间信息，之后将融合后的特征送入预测分支中进行分类和回归；根据分类和回归的结果，得出目标的类别和位置。本发明专利技术通过结合多尺度注意力增强机制和改进的特征金字塔网络，有效的处理目标尺度过小以及遮挡严重的情况，大大提高了检测方法的准确性和鲁棒性。棒性。棒性。

【技术实现步骤摘要】
一种基于一阶段检测网络的交通标志检测方法及系统


[0001]本专利技术涉及计算机视觉
，尤其是一种基于一阶段检测网络的交通标志检测方法及系统。

技术介绍

[0002]随着智能交通网络的发达以及车辆数量的增加，交通标志为车辆和行人提供指示、禁止和警告等信息，交通标志的准确检测与识别成为迫切需要解决的问题。交通标志的准确识别可以极大地减少交通事故的发生，减少交通拥堵。然而，交通标志检测并不是一项简单的任务，对于计算机视觉系统来说，照明变化、天气状况、遮挡、变形等因素都会阻碍交通标志的有效检测和识别。因此，准确、快速地定位和分类交通标志仍然是一个具有挑战性的现实问题。通常，用于交通标志检测的传统方法首先会根据底层特征，包括颜色、纹理等基本特征进行特征提取，最后在特征提取后，对候选区域提取出的特征进行分类判定。但传统的检测算法存在时间复杂度高、窗口冗余、鲁棒性弱等缺点，不能很有效地检测交通标志类别。深度学习的蓬勃发展给交通标志的检测与识别带来了新的方向。用于交通标志检测与识别的深度学习目标检测算法主要分为两大类，分别是基于候选区域的方法和无候选区本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一阶段检测网络的交通标志检测方法，其特征在于，所述方法由计算机执行，包括以下步骤：S1、构建检测网络模型；S2、获取交通标志图像的特征图；S3、提取交通标志的外观信息和语义信息；S4、通过多尺度注意力特征增强机制重新组合特征信息；S5、将组合后的特征送入到后续进行特征增强的网络模块中；S6、将增强后的特征送入改进的特征金字塔网络中进行特征融合；S7、将融合后的特征送入检测分支中，进行分类和回归，得出目标在当前场景中的类别和准确位置。2.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法，其特征在于，S1的具体实现过程如下：S101、该检测网络由四部分组成；分别为骨干网络部分、多尺度注意力特征增强机制部分、改进的特征金字塔部分以及预测分支部分。S102、骨干网络是修改后的Darknet53网络，使用的特征是提取到的第三层、第四层和第五层的特征信息。S103、多尺度注意力特征增强机制部分，主要是对特征信息进行分解，然后获得特征在水平方向以及空间方向的权重，有选择的重新组合特征信息。S104、改进的特征金字塔网络，通过在原来的金字塔网络中构建一条自下而上的路径，并在该路径中加入两个空间信息聚合器，嵌入不同层的空间细粒度特征信息。S105、将嵌入了空间细粒度信息和丰富语义信息的特征送入到预测分支中。最后根据两次分类和回归的结果，得出目标的类别和准确位置。3.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法，其特征在于，S2的具体实现过程如下：S201、特征图的获取是在检测任务的开始阶段，通过一些卷积和激活函数等过滤器的输出激活，称之为特征图。4.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法，其特征在于，S3的具体实现过程如下：S301、在该方法中使用的骨干网络是修改后的Darknet53网络，提取到的有五层特征信息，我们选择第三层、第四层和第五层特征进行使用。S302、第三层和第四层的特征经历的卷积层数较少，包含的更多是外观信息，其中只有少量的语义信息。S303、依次获取输入图像的特征图，改变特征的通道数，丰富了特征信息，X是初始输入的特征层，Φ3(X),Φ4(X),Φ5(X)是提取到的第三层、第四层和第五层特征，分别是由一个CBL和8、4个残差组件构成。其表达式如下：分别是由一个CBL和8、4个残差组件构成。其表达式如下：
5.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法，其特征在于，S4的具体实现如下：S401、将提取获得的外观信息和语义信息作为输入，送入多尺度注意力特征增强机制中进行处理。add是并行的连接操作，X
i
,Y
i
分别为更底层、更高层的输入特征在第i通道的信息。M
i
是第c通道激励后的结果:M
i
＝add(X
i
,Y
i
)，i＝1,2,...,c,
ꢀꢀꢀꢀꢀ
(4)S402、将连接后的特征信息作为输入，M
c
(i,j)为输入特征在位置i,j处的第c通道的信息。H,W表示沿水平方向和空间方向的激励，U
c
是第c通道激励后的结果:接下来，为了获得通道之间的相关性，我们做了以下工作：K＝PWconv2(Relu(PWconv1(U)))
ꢀꢀꢀꢀꢀ
(6)其中PWconv1、PWconv2分别对应于Point
‑
wise Conv1和Point
‑
wise Conv2，表示逐点卷积。局部细节信息由Point
‑
wise Conv1聚合，起到降维作用，用于控制通道的数量，这使得操作尽可能的轻便。Relu被用于非线性操作。之后，进行1*1的逐点卷积，得到与输入特征相同的维度。K是激活后的结果。S403、保留通道信息相关性，并通过激活函数得到的注意权重如下：Z1＝XSigmoid(K)+Y(1
‑
Sigmoid(K)),
ꢀꢀꢀꢀ
(7)其中获得的权重被应用于原始输入特征。X和Y是初始输入的特征层。通过Si...

【专利技术属性】
技术研发人员：张建明，叶紫，雷纹馨，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：