【技术实现步骤摘要】
面向复杂场景的交通标志检测方法
[0001]本专利技术涉及交通标志检测方法
，尤其涉及面向复杂场景的交通标志检测方法。
技术介绍
[0002]当前，基于深度学习技术的目标检测方式主要有两类:one
‑
stage和two
‑
stage。两阶段式目标检测的网络一般是先获得一个目标候选区域，然后再实施分类的技术。该方式的经典应用有:Fast R
‑
CNN、Faster R
‑
CNN、Mask R
‑
CNN等。而单阶段目标检测网络，而单阶段目标检测网络，无需提取候选区。典型的单阶段网络包括YOLO系列、SSD等。在RCNN中，首先抽取约2000个区域建议框，利用卷积神经网络进行加工，输出其特征，再利用SVM对其进行分类，最后对已划分的区域建议框进行边界化，得到预测框的坐标。而Fast R
‑
CNN则增加了ROI后继的一种方法，在一定的规模下增加了运算速度，减少了运算的工作量。Faster R
‑
CNN是
【技术保护点】
【技术特征摘要】
1.面向复杂场景的交通标志检测方法，其特征在于，包括以下步骤：S1：建立数据集；S2：数据集格式转换；S3：划分数据集；S4：通过K
‑
Means++聚类算法对数据集的真实标注框Ground Truth进行聚类，输出与图片相匹配的九组先验框尺寸，根据尺寸更大的特征图分给尺寸越小的先验框这一分配原则，将九组先验框分别配给三个尺度的输出特征图，将数值进行四舍五入，保留整数位；S5：对Yolov5网络结构进行调整，加入注意力机制模块；S6：使用调整后的网络进行训练，得到训练的模型权值进行预测。2.根据权利要求1所述的面向复杂场景的交通标志检测方法，其特征在于，所述步骤S1中数据集为：针对当前交通标志数据样本不均匀，对现有公开数据集整理分析后选取TT100K作为研究数据集，该数据集包含162种不同的交通标识，共计5000张，可以采用基于背景图片的数据集扩充方法以及基于Mosaic的数据集增强方法对数据集进行扩充，以提高数据多样性。3.根据权利要求1所述的面向复杂场景的交通标志检测方法，其特征在于，所述步骤S2中数据集格式转换方法为：生成数据集的...
【专利技术属性】
技术研发人员：周洲，程鑫，尚旭明，马兆鑫，宁航，赵犇，张蓬勃，姚源，王德华，
申请(专利权)人：陕西易村智能交通科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。