基于优化算法的改进交通标志检测模型制造技术

本发明专利技术公开了基于优化算法的改进交通标志检测模型，包括以下步骤：步骤一：建立GHO

【技术实现步骤摘要】
基于优化算法的改进交通标志检测模型


[0001]本专利技术属于交通标志检测
，具体涉及基于优化算法的改进交通标志检测模型。

技术介绍

[0002]近些年来，随着国内经济的快速发展和基础建设的逐步完善，越来越多的家庭拥有私家车，人们的出行方式越来越多样化，辅助驾驶系统就此应运而生。在辅助驾驶系统中，对于交通标志的检测尤为重要。国内对于交通标志的检测方法主要有两种：基于人系列为主，有Mask R
‑
CNN、Faster R
‑
CNN和Cascade R
‑
CNN[1
‑
4]等。one
‑
stage检测算法在分类之前不需要获取候选区域，主要以YOLO系列为主。该系列目标检测算法具有高时效性、高准确性和轻量性。基于人工提取特征的交通标志检测方法的优点是检测速度快且简单方便，缺点是因由于周围环境复杂，该方法的检测精度难以满足实际驾驶情况的要求。
[0003]传统的交通标志检测算法利用混合优化算法GHO来改进YOLOx
‑
s网络的模型。YOLOx
‑
s网络对于交通标志的检测有较高的精度，但对于初始权值、阈值过于依赖，GHO是混合了HHO算法和GWO算法的一种仿生优化算法。HHO算法虽然具有参数较少、搜索效率和收敛精度高、适用于解决高维度多极值问题等优点，但是其在低维问题上的搜索精度较差，且过于依赖现有个体，可能会导致算法陷入局部最优解、过早收敛等情况。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供基于优化算法的改进交通标志检测模型，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于优化算法的改进交通标志检测模型，包括以下步骤：
[0006]步骤一：建立GHO
‑
YOLOx算法模型，算法模型中包含哈里斯鹰优化算法、搜索阶段以及围捕阶段；
[0007]步骤二：模型仿生优化，仿生优化包含灰狼优化算法、包围猎物、狩猎以及开发与勘探；
[0008]步骤三：YOLOx网络，通过YOLO目标检测算法对现场交通标志和路障检测；
[0009]步骤四：GHO
‑
YOLOx算法，混合HHO算法和GWO算法进行改进；
[0010]步骤五：模型检测实验，实验内容包含数据集、实验环境、实验有效性以及实验结果分析；
[0011]步骤六：实验结果分析，结果分析包含不同环境下的检测结果对比、不同算法对比。
[0012]优选的，所述步骤一中，基于野兔逃逸能量E的变化，哈里斯鹰的狩猎行为将发生转化，野兔逃逸能量E的公式如下式(1)：
[0013][0014]公式(1)中，E0∈[
‑
1,1]，t为当前的迭代次数。
[0015]优选的，所述步骤一中，当野兔逃逸能量|E|＞1时，哈里斯鹰群处于搜索阶段，针对发现野兔和未发现两种情况，生成一个随机数q，当q≥0.5时，哈里斯鹰还未发现野兔的位置。两种情况的搜索方式如下式(2)
[0016][0017]公式(2)中，在下次迭代过程中，哈斯鹰当前的位置，X
prey
(t)表示野兔的位置，哈里斯鹰群中随机个体的位置表示为X
ran
d(t)，该维度变量的上下限分别为UB和LB，r
i
和q为(0,1)内的随机数，i＝1,2,3,4。X
m
(t)表示哈里斯鹰当前位置的平均数，其实公式如下式(3)：
[0018][0019]公式(3)中，哈里斯鹰群个体总数为N，在迭代第t次中每只哈里斯鹰的位置表示为X
i
(t)。
[0020]优选的，所述步骤二中，当野兔逃逸能量|E|≥0.5，且r≥0.5时，此时哈里斯鹰群处于盘旋围捕状态，盘旋围捕的公式如下式(4)：
[0021]X(t+1)＝X
prey
(t)
‑
X(t)
[0022]‑
E|JX
prey
(t)
‑
X(t)|
ꢀꢀꢀ
(3)
[0023]公式(4)中，当前野兔的逃逸能量为E，J为野兔的随机跳跃强度，其公式为下式(5)：
[0024]J＝2(1
‑
r5)
ꢀꢀꢀ
(4)
[0025]公式(5)中，r5为(0,1)内的随机数。
[0026]优选的，所述步骤二中，当野兔逃逸能量|E|＜0.5，且r≥0.5时，此时哈里斯鹰群处于强势突袭状态，强势突袭的公式如下式(6)：
[0027]X(t+1)＝X
prey
(t)
‑
E|X
prey
(t)
‑
X(t)|
ꢀꢀꢀ
(5)。
[0028]优选的，所述步骤二中，当野兔逃逸能量|E|≥0.5，且r＜0.5时，此时哈里斯鹰群处于盘旋围捕与渐进俯冲状态，哈里斯鹰群将根据公式(7)来评估下一步行动。
[0029]Y＝X
prey
(t)
‑
E|JX
prey
(t)
‑
X(t)|
ꢀꢀꢀ
(6)
[0030]将公式(7)中得到的Y与当前位置的适应度的值相比较，来判断这次突袭是否成功。如果失败，哈里斯鹰群将会按照公式(8)开始快速俯冲攻击：
[0031]Z＝Y+S
×
LF(Dim)
ꢀꢀꢀ
(7)
[0032]公式(8)中，S为维度1
×
Dim的随机向量，LF表示L
é
vy飞行的函数，其公式为下式(9)：
[0033][0034][0035]公式(9)中，u和|v|为(0,1)内的随机数，β为1.5的默认常量。盘旋围捕与渐进俯冲状态下哈里斯鹰位置更新公式(11)：
[0036][0037]强势突袭与渐进俯冲：当野兔逃逸能量|E|＜0.5，且r＜0.5时，此时哈里斯鹰群处于强势突袭与渐进俯冲状态，哈里斯鹰位置更新公式(12)：
[0038][0039]Y＝X
prey
(t)
‑
E|JX
prey
(t)
‑
X
m
(t)|
ꢀꢀꢀ
(12)。
[0040]优选的，所述步骤三中，YOLOx模型相较于前几代版本最大的改进在于加入解耦头(Decoupled Head)，使用多个锚框来预测目标的类别与位置，同时YOLOx模型也加入了许多新的技巧，如将YOLO检测器和无锚框检测器结合、加入标签分配策略等。YOLOx
‑
s模型结构主要分为四个部分:输入端、主干网络、颈部和预测端。
[0041]优选的，所述步骤四中，GWO算法中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于优化算法的改进交通标志检测模型，其特征在于：包括以下步骤：步骤一：建立GHO
‑
YOLOx算法模型，算法模型中包含哈里斯鹰优化算法、搜索阶段以及围捕阶段；步骤二：模型仿生优化，仿生优化包含灰狼优化算法、包围猎物、狩猎以及开发与勘探；步骤三：YOLOx网络，通过YOLO目标检测算法对现场交通标志和路障检测；步骤四：GHO
‑
YOLOx算法，混合HHO算法和GWO算法进行改进；步骤五：模型检测实验，实验内容包含数据集、实验环境、实验有效性以及实验结果分析；步骤六：实验结果分析，结果分析包含不同环境下的检测结果对比、不同算法对比。2.根据权利要求1所述的基于优化算法的改进交通标志检测模型，其特征在于：所述步骤一中，基于野兔逃逸能量E的变化，哈里斯鹰的狩猎行为将发生转化，野兔逃逸能量E的公式如下式(1)：公式(1)中，E0∈[
‑
1,1]，t为当前的迭代次数。3.根据权利要求1所述的基于优化算法的改进交通标志检测模型，其特征在于：所述步骤一中，当野兔逃逸能量|E|＞1时，哈里斯鹰群处于搜索阶段，针对发现野兔和未发现两种情况，生成一个随机数q，当q≥0.5时，哈里斯鹰还未发现野兔的位置。两种情况的搜索方式如下式(2)公式(2)中，在下次迭代过程中，哈斯鹰当前的位置，X
prey
(t)表示野兔的位置，哈里斯鹰群中随机个体的位置表示为X
rand
(t)，该维度变量的上下限分别为UB和LB，r
i
和q为(0,1)内的随机数，i＝1,2,3,4。X
m
(t)表示哈里斯鹰当前位置的平均数，其实公式如下式(3)：公式(3)中，哈里斯鹰群个体总数为N，在迭代第t次中每只哈里斯鹰的位置表示为X
i
(t)。4.根据权利要求1所述的基于优化算法的改进交通标志检测模型，其特征在于：所述步骤二中，当野兔逃逸能量|E|≥0.5，且r≥0.5时，此时哈里斯鹰群处于盘旋围捕状态，盘旋围捕的公式如下式(4)：X(t+1)＝X
prey
(t)
‑
X(t)
‑
E|JX
prey
(t)
‑
X(t)|
ꢀꢀꢀꢀ
(3)公式(4)中，当前野兔的逃逸能量为E，J为野兔的随机跳跃强度，其公式为下式(5)：J＝2(1
‑
r5)
ꢀꢀꢀꢀ
(4)公式(5)中，r5为(0,1)内的随机数。5.根据权利要求1所述的基于优化算法的改进交通标志检测模型，其特征在于：所述步
骤二中，当野兔逃逸能量|E|＜0.5，且r≥0.5时，此时哈里斯鹰群处于强势突袭状态，强势突袭的公式如下式(6)：X(t+1)＝X
prey
(t)
‑
E|X
prey
(t)
‑
X(t)|
ꢀꢀꢀ
(5)。6.根据权利要求1所述的基于优化算法的改进交通标志检测模型，其特征在于：所述步骤二中，当野兔逃逸...

【专利技术属性】
技术研发人员：王昭，李丹菁，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：