一种基于深度学习的交通标志检测方法技术

本发明专利技术公开了一种基于深度学习的交通标志检测方法，涉及交通标志检测技术领域；它的检测方法如下：步骤一：对数据集中图像进行图像增强；步骤二：对YOLOv5s算法的锚框选取算法进行改进；步骤三：对YOLOv5s的主干网络进行轻量化处理；步骤四：在YOLOv5s的主干网络部分中添加注意力机制来提升网络对目标检测的性能；步骤五：对YOLOv5s的Neck部分提出一种提升检测精度的方案；本发明专利技术减少网络模型检测所需要的时间、减少所需的计算量并且降低模型参数的大小，在此轻量化网络的基础上改进算法精度，提升网络对多尺度目标识别的能力，增加网络识别的准确率。别的准确率。别的准确率。

【技术实现步骤摘要】
一种基于深度学习的交通标志检测方法


[0001]本专利技术属于交通标志检测
，具体涉及一种基于深度学习的交通标志检测方法。

技术介绍

[0002]由于道路的交通标志信息比较丰富，能够给驾驶员提供很多有效的信息。目前研究人员对于交通标志识别任务的关注度越来越高，交通标志载有大量有用的信息，但其经常由于驾驶员疲劳或其位置偏的原因而被忽略。这些驾驶员在恶劣天气下驾驶时也可能不太注意交通标志。因此，采用诸如提高驾驶安全性以及改进自动检测道路标志的识别系统，来帮助减少交通拥塞且增加安全性变得不可或缺。准确检测和识别当前的交通标志信息可辅助驾驶员了解当前路况并采取正确的驾驶行为，预防交通事故发生。因此，通过ITS的重要组成部分
‑
高级驾驶员辅助系统(Advanced Driver Assistance System,ADAS)来检测和识别道路上的交通标志，为驾驶员提供额外辅助信息，提高车辆行驶的安全性受到了相关研究人员的重视。目前的交通标志检测与识别算法仍有提升空间，包括检测识别交通标志种类、检测和识别精度及检测速度都能进一步提升。此外，由于道路交通中的环境比较复杂，当前算法对道路交通标志的检测与识别容易受到光照、天气、障碍物遮挡、拍摄不稳等各种因素的影响，致使车辆的行驶安全无法得到有效的保证。如果能够利用计算机技术有效地对交通标志进行自动检测与识别，可提示驾驶员当前的道路情況，减少驾驶员的判断失误，从而减少交通事故的发生。另一方面，交通标志的自动检测与识别也是目前辅助驾驶和无人驾驶研究的热点问题。近年来计算机技术的高速发展加快了辅助驾驶和无人驾驶研究的步伐，在辅助驾驶技术的帮助下，驾驶员可以通过车载摄像头和距离传感器等车载的检测设备获得实时特定的反馈信息，这些信息有助于驾驶员能更加全面的了解路况信息并随之做出正确的判断。
[0003]针对交通标志的检测问题，经常会遇到一些非技术性挑战，例如相较于数据集的检测任务，真实场景下的交通标志检测将更加复杂，分类也更加困难。主要原因是交通标志经常出现在各种场景中，交通标志受各种光照、视角、天气状况等多种复杂因素的影响，而在许多老旧的道路中，交通标志的外观会因为长时间没有维护发生显著的变化，也会受到树木、桥梁和房屋的遮挡，还有实时性的问题，虽然算法网络层的加深提高了交通标志检测的准确率，但模型大，计算参数多，使得交通标志的检测在实际的应用中会存在诸多问题，所以交通标志检测模型的架构需要尽可能高效和简单，算法的快速性对于实际应用来说至关重要。

技术实现思路

[0004]为解决
技术介绍
中的问题；本专利技术的目的在于提供一种基于深度学习的交通标志检测方法。
[0005]本专利技术的一种基于深度学习的交通标志检测方法，它的检测方法如下：
[0006]步骤一：对数据集中图像进行图像增强：选用基于直方图均衡化和中值滤波算法对数据集中图像进行图像増强和滤波去噪，同时针对中值滤波算法无法去除图像中高斯噪声的问题，对中值滤波算法进行了改进；
[0007]步骤二：对YOLOv5s算法的锚框选取算法进行改进：采用K
‑
means++均值聚类算法代替YOLOv5s中的K
‑
means算法重新生成锚框；
[0008]步骤三：对YOLOv5s的主干网络进行轻量化处理：使用幻象网络替换YOLOv5s主干网络的部分结构，使组成的新结构作为主干特征提取网络，Ghost模块使用线性映射代替网络中大量的卷积操作，减少网络的计算量，提升算法速度，从而增加实时性；
[0009]步骤四：在YOLOv5s的主干网络部分中添加注意力机制来提升网络对目标检测的性能：突出识别有用的特征通道，同时对无用的信息进行抑制；引入一种新的MAC注意力模块，将除全局平均池化之外的频率分量有效的整合利用，在增加的计算量可以忽略前提下提升算法精度；
[0010]步骤五：对YOLOv5s的Neck部分提出一种提升检测精度的方案：在传统特征金字塔网络的基础上，增加了自适应注意力模块和特征增强模块；在保证实时检测的前提下提高了YOLOv5网络对多尺度目标的检测性能。
[0011]作为优选，所述直方图均衡化算法是通过调整图像中各像素值，使其出现次数和分布更为均衡，以此来增大图像对比度，图像细节更为突出，其步骤如下：
[0012]1)扫描图像，以获得各像素点的像素值以构建直方图；
[0013]2)根据所构建的直方图求出像素值的累积分布函数；
[0014]3)以所获得的累积分布函数和直方图均衡化为依据求出像素值输入与输出之间的映射关系；
[0015]4)根据所获得的映射关系对图像进行变换。
[0016]与现有技术相比，本专利技术的有益效果为：
[0017]减少网络模型检测所需要的时间、减少所需的计算量并且降低模型参数的大小，在此轻量化网络的基础上改进算法精度，提升网络对多尺度目标识别的能力，增加网络识别的准确率。
附图说明
[0018]为了易于说明，本专利技术由下述的具体实施及附图作以详细描述。
[0019]图1为本专利技术的流程图；
[0020]图2为本专利技术中图像预处理算法流程图；
[0021]图3为本专利技术中Ghost模块的结构示意图；
[0022]图4为本专利技术中Ghost Bottleneck模块结构示意图；
[0023]图5为本专利技术中AF
‑
FPN结构示意图；
[0024]图6为本专利技术中AFF结构示意图；
[0025]图7为本专利技术中FEM结构示意图。
具体实施方式
[0026]为使本专利技术的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体
实施例来描述本专利技术。但是应该理解，这些描述只是示例性的，而并非要限制本专利技术的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本专利技术的概念。
[0027]在此，还需要说明的是，为了避免因不必要的细节而模糊了本专利技术，在附图中仅仅示出了与根据本专利技术的方案密切相关的结构和/或处理步骤，而省略了与本专利技术关系不大的其他细节。
[0028]如图1所示，本具体实施方式采用以下技术方案：采用发布的TT100K数据集，首先分析现有图像滤波去噪和图像增强算法，选用改进中值滤波算法和直方图均衡化图像增强算法对数据集中的图像进行滤波去噪和图像增强，用来改善图像质量，突出图中目标，以便后续卷积神经网络对于目标特征的提取操作；然后要对锚框的选取进行升级，使网络在交通标志检测方面具有一定的针对性，进一步提升检测精度；再对YOLOv5s的主干网络进行轻量化操作，减少网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的交通标志检测方法，其特征在于：它的检测方法如下：步骤一：对数据集中图像进行图像增强：选用基于直方图均衡化和中值滤波算法对数据集中图像进行图像増强和滤波去噪，同时针对中值滤波算法无法去除图像中高斯噪声的问题，对中值滤波算法进行了改进；步骤二：对YOLOv5s算法的锚框选取算法进行改进：采用K
‑
means++均值聚类算法代替YOLOv5s中的K
‑
means算法重新生成锚框；步骤三：对YOLOv5s的主干网络进行轻量化处理：使用幻象网络替换YOLOv5s主干网络的部分结构，使组成的新结构作为主干特征提取网络，Ghost模块使用线性映射代替网络中大量的卷积操作，减少网络的计算量，提升算法速度，从而增加实时性；步骤四：在YOLOv5s的主干网络部分中添加注意力机制来提升网络对目标检测的性能：突出识别有用的特...

【专利技术属性】
技术研发人员：孟庆松，赵樊，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：