一种基于YOLOv5的交通信号灯识别的方法和电子设备技术

本发明专利技术提供了一种基于YOLOv5的交通信号灯识别的方法和电子设备，包括如下步骤：建立基于YOLOv5的识别模型；当车辆由行驶状态转变为驻车状态时，图像获取装置将采集的交通信号灯图像和读秒器图像输入基于YOLOv5的识别模型中，识别得出交通信号灯的转向方向和读秒器的时间；基于YOLOv5的识别模型根据识别的交通信号灯的转向方向和读秒器的时间与驾驶员的转向感知指令比较，用于在设定的时间后提醒驾驶员。本发明专利技术可以提示失去驾驶专注力的驾驶员提前保持专注，减少交通拥堵和交通事故发生的可能性。可能性。可能性。

【技术实现步骤摘要】
一种基于YOLOv5的交通信号灯识别的方法和电子设备


[0001]本专利技术涉及视觉图像处理领域或者交通信号的识别领域或者车辆的控制领域，尤其是涉及一种基于YOLOv5的交通信号灯识别的方法和电子设备。

技术介绍

[0002]近年来，随着国家经济的高速发展，国内汽车数量大幅增长，迄今为止，全国有70多个城市的汽车数量超过一百万辆，汽车总量大约为3亿，过高的汽车保有量经常会导致交通拥堵或交通事故等多种问题。当驾驶员经过长时间驾驶，途径交通信号灯为红灯停车等待过程中，通常会处于一个放松休息的状态，此时该系统可以在红灯时间还剩3秒时提前提醒驾驶员保持专注将要启动车辆，从而减少因红灯结束还未能第一时间启动车辆而导致的交通拥堵或是驾驶员突然从放松状态转变为驾驶状态导致交通事故发生率提高的问题。
[0003]随着基于深度学习的算法在视觉图像领域中不断取得突破性进展，很多目标检测方法相继被提出。目前，现有的目标检测方法主要是两阶段目标检测算法，此类算法会先提取物体区域，再对区域进行分类识别，主要的代表算法有R
‑
CNN、Faster R
‑
CNN等。此类算法的优势在于目标检测的准确性，但是在起步提示领域的应用中对目标检测的速度要求较高，因此这类算法并不合适使用在车辆上。

技术实现思路

[0004]针对现有技术中存在的不足，本专利技术提供了一种基于YOLOv5的交通信号灯识别的方法和电子设备，在满足目标检测实时性的同时实现对驾驶员的提示提醒。
[0005]本专利技术是通过以下技术手段实现上述技术目的的。
[0006]一种基于YOLOv5的交通信号灯识别的方法，包括如下步骤：
[0007]S01：建立基于YOLOv5的识别模型，具体为：
[0008]采集交通信号灯和读秒器图像数据，对采集到的图像进行预处理，得到交通信号灯数据集D1和读秒器数据集D2；
[0009]在输入层中分别对交通信号灯数据集D1和读秒器数据集D2进行马赛克数据增强处理得到处理后的交通信号灯数据集E1和读秒器数据集E2；
[0010]将交通信号灯数据集E1和读秒器数据集E2分别输入到带有集中层Focus的骨干层主体架构BackBone中进行特征提取得到至少二种不同尺寸的特征图，其中集中层Focus分别将交通信号灯数据集E1和读秒器数据集E2切片后再张量拼接；
[0011]将交通信号灯数据集E1提取的至少二种不同尺寸的特征图和读秒器数据集E2提取的至少二个不同尺寸的特征图分别输入到主体架构为特征金字塔网络FPN和像素聚合网络PAN 的颈部层Neck中进行特征融合，用于获得更强的特征表现力；
[0012]将特征融合处理过的特征图输入到预测网络中，输出不同尺寸的预测特征图，并在预测层中使用更新的损失函数；
[0013]将训练后的结果代入到测试集中进行测试，获得训练好的基于YOLOv5的识别模
型；
[0014]S02：当车辆由行驶状态转变为驻车状态时，图像获取装置将采集的交通信号灯图像和读秒器图像输入基于YOLOv5的识别模型中，识别得出交通信号灯的转向方向和读秒器的时间；
[0015]S03：基于YOLOv5的识别模型根据识别的交通信号灯的转向方向和读秒器的时间与驾驶员的转向感知指令比较，用于在设定的时间后提醒驾驶员。
[0016]进一步，在输入层中分别对交通信号灯数据集D1和读秒器数据集D2进行马赛克数据增强处理得到处理后的交通信号灯数据集E1和读秒器数据集E2，具体为：
[0017]在交通信号灯数据集D1中分别任取四张图片按照随机缩放、随机裁剪和随机排布的方式进行拼接获得两张第一图片；在读秒器数据集D2中分别任取四张图片按照随机缩放、随机裁剪和随机排布的方式进行拼接获得两张第二图片；
[0018]重复若干次上述步骤，得到第一图片集和第二图片集；
[0019]利用标签工具对得到的第一图片集和第二图片集分别进行标注，得到交通信号灯数据集 E1和读秒器数据集E2。
[0020]进一步，将交通信号灯数据集E1和读秒器数据集E2分别输入到带有集中层Focus的骨干层主体架构BackBone中进行特征提取得到至少二种不同尺寸的特征图，具体为：
[0021]集中层Focus分别对交通信号灯数据集E1和读秒器数据集E2中的所有图片进行切片操作，扩充图片的输入通道，再将扩充通道的图片进行张量拼接，得到处理后的交通信号灯数据集 E
’1和处理后的读秒器数据集E
’2；
[0022]分别将处理后的交通信号灯数据集E
’1和处理后的读秒器数据集E
’2进行卷积操作，生成具有设定的特征尺寸的交通信号灯数据集E”1
和读秒器数据集E”2
；
[0023]将具有设定的特征尺寸的交通信号灯数据集E”1
和读秒器数据集E”2
分别输入骨干层主体架构Backbone中进行特征提取，分别得到大目标特征图、中目标特征图和小目标特征图；其中，小目标特征图的像素点小于32*32个像素点；中目标特征图的像素点位于32*32个像素点～96*96个像素点之间；大目标特征图的像素点大于96*96个像素点。
[0024]进一步，将三种目标特征图分别输入到主体架构为特征金字塔网络FPN和像素聚合网络 PAN的颈部层Neck中进行特征融合，具体为：
[0025]将三种目标特征图分别输入特征金字塔网络FPN中进行自顶向下的上采样传达强语义特征；
[0026]将特征金字塔网络FPN处理后的三种目标特征图分别随机选取部分输入到像素聚合网络 PAN中的颈部层Neck中进行自底向上的下采样传达定位特征得到融合特征信息后的三种目标特征图；剩余的特征金字塔网络FPN处理后的三种目标特征图记为X特征图。
[0027]进一步，将特征融合处理过的特征图输入到预测网络中，输出不同尺寸的预测特征图，并在预测层中使用更新的损失函数，具体为：
[0028]融合特征信息后的三种目标特征图输入到预测层Prediction中进行卷积处理，将卷积处理后的三种目标特征图分别与其对应的X特征图张量拼接操作，预测层Prediction输出3种不同尺寸的预测特征图；
[0029]修改YOLOV5算法中的损失函数，使用更新的损失函数：
[0030][0031]其中：α为权重，v衡量长宽比的相似度，b表示预测框的中心点；b
gt
为目标框的中心点；ρ为预测框与目标框两者之间距离采用欧氏距离；c表示能同时包含预测框和目标框的最小包围框的斜距。
[0032]一种电子设备，包括图像获取装置、信号处理器和转向感知装置；所述图像获取装置用于采集交通信号灯图像和读秒器图像；所述转向感知装置用于获取驾驶员的转向感知指令；所述信号处理器内安装所述的基于YOLOv5的交通信号灯识别的方法的程序；所述图像获取装置和转向感知装置分别与信号处理器连接；所述信号处理器控制报警装置。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv5的交通信号灯识别的方法，其特征在于，包括如下步骤：S01：建立基于YOLOv5的识别模型，具体为：采集交通信号灯和读秒器图像数据，对采集到的图像进行预处理，得到交通信号灯数据集D1和读秒器数据集D2；在输入层中分别对交通信号灯数据集D1和读秒器数据集D2进行马赛克数据增强处理得到处理后的交通信号灯数据集E1和读秒器数据集E2；将交通信号灯数据集E1和读秒器数据集E2分别输入到带有集中层Focus的骨干层主体架构BackBone中进行特征提取得到至少二种不同尺寸的特征图，其中集中层Focus分别将交通信号灯数据集E1和读秒器数据集E2切片后再张量拼接；将交通信号灯数据集E1提取的至少二种不同尺寸的特征图和读秒器数据集E2提取的至少二个不同尺寸的特征图分别输入到主体架构为特征金字塔网络FPN和像素聚合网络PAN的颈部层Neck中进行特征融合，用于获得更强的特征表现力；将特征融合处理过的特征图输入到预测网络中，输出不同尺寸的预测特征图，并在预测层中使用更新的损失函数；将训练后的结果代入到测试集中进行测试，获得训练好的基于YOLOv5的识别模型；S02：当车辆由行驶状态转变为驻车状态时，图像获取装置将采集的交通信号灯图像和读秒器图像输入基于YOLOv5的识别模型中，识别得出交通信号灯的转向方向和读秒器的时间；S03：基于YOLOv5的识别模型根据识别的交通信号灯的转向方向和读秒器的时间与驾驶员的转向感知指令比较，用于在设定的时间后提醒驾驶员。2.根据权利要求1所述的基于YOLOv5的交通信号灯识别的方法，其特征在于，在输入层中分别对交通信号灯数据集D1和读秒器数据集D2进行马赛克数据增强处理得到处理后的交通信号灯数据集E1和读秒器数据集E2，具体为：在交通信号灯数据集D1中分别任取四张图片按照随机缩放、随机裁剪和随机排布的方式进行拼接获得两张第一图片；在读秒器数据集D2中分别任取四张图片按照随机缩放、随机裁剪和随机排布的方式进行拼接获得两张第二图片；重复若干次上述步骤，得到第一图片集和第二图片集；利用标签工具对得到的第一图片集和第二图片集分别进行标注，得到交通信号灯数据集E1和读秒器数据集E2。3.根据权利要求1所述的基于YOLOv5的交通信号灯识别的方法，其特征在于，将交通信号灯数据集E1和读秒器数据集E2分别输入到带有集中层Focus的骨干层主体架构BackBone中进行特征提取得到至少二种不同尺寸的特征图，具体为：集中层Focus分别对交通信号灯数据集E1和读秒器数据集E2中的所有图片进行切片操作，扩充图片的输入通道，再将扩充通道的图片进行张量拼...

【专利技术属性】
技术研发人员：丁华，刘来，张晓娜，陆颖，尹蔚峰，
申请(专利权)人：江苏大学，
类型：发明
国别省市：