System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于改进lep-yolo v7的城市道路交通标志检测与识别方法。
技术介绍
1、车辆在城市道路上经常会遇到复杂的环境,如交通标志的遮挡、交通标志运动的模糊、交通标志目标的尺度较小等影响,造成传统目标检测算法存在较大的误检率。传统目标检测算法只能适应单一环境,当遇到复杂多变的环境时,不能达到理想的检测效果,泛化性能较差。而基于深度学习的目标检测算法是计算机视觉的一个新的趋势,随着算法的结构复杂化,权重的参数量也明显增加。当该算法应用于移动设备中时,庞大的网络模型使得网络的参数消耗了较多的计算资源,从而降低了网络的推理速度。
2、针对上述问题,设计检测精度高和检测实时性高的目标检测算法,对于克服当前的目标检测算法存在的局限性具有极高的应用价值。
技术实现思路
1、本专利技术是为了解决上述现有技术存在的问题而提供一种基于改进lep-yolo v7的城市道路交通标志检测与识别方法。
2、本专利技术所采用的技术方案有:
3、一种基于改进lep-yolo v7的城市道路交通标志检测与识别方法,包括
4、s1)获取具有交通标志图像的数据集,将数据集中的所有交通标志图像进行归一化操作,并将数据集中所有的图像缩放成指定大小尺寸;
5、s2)基于yolo v7算法构建改进型yolo v7网络结构,得到改进yolo v7模型;
6、所述改进yolo v7模型的改进点在于:
7、1.采用图像增强对原始yo
8、2.在原始yolo v7算法中主干网络中用改进后的elanstb模块替换原有yolo v7算法中的elan模块;
9、3.在原始yolo v7算法中主干网络的cbs模块的卷积层后面添加cbam注意力机制;
10、4.将原始yolo v7算法中的损失函数更替为siou损失函数;
11、s4)通过在改进yolo v7模型添加eep边缘处理模块,得到改进lep-yolo v7模型;
12、s5)采用改进lep-yolo v7模型对经过步骤s1)处理后数据集中所有图像中的交通标志检测与识别。
13、进一步地,步骤s2)中,采用直方图均衡化、滤波、噪声抑制和对比度增强方式,对交通标志图像进行去噪声,增强图像的对比度。
14、进一步地,步骤s2)中,所述改进后的elanstb模块为:将两个连续的stb模块嵌入到原始yolo v7算法中主干网络中的elan模块中,得到elanstb模块。
15、进一步地,所述elanstb模块用滑动窗口注意力机制msa。
16、进一步地,所述步骤s2)中,在原始yolo v7算法中主干网络的cbs模块的卷积层后面添加cbam注意力机制,具体为:
17、所述cbam注意力机制包括两个子模块,方便对应为:通道注意力模块mc(f)和空间注意力模块ms(f);
18、原始yolo v7算法中主干网络中的elan模块输出的特征图f输入到通道注意力模块mc(f)建模,对各通道赋予不同的权重得到特征f’,通道注意力模块mc(f)公式如下:
19、
20、其中,σ指激活函数,w0和w1指全连接层mlp的权重,avgpool为全局平均池化,maxpool为全局最大池化,分别沿着通道轴进行平均池化操作和最大池化操作,得到的是平均池化的特征和最大池化的特征
21、特征图f’与输入特征图f相乘后输入空间注意力模块ms(f)建模,使目标检测模型对特征图f’、f感兴趣的区域给予更多关注,得到权重系数f”,空间注意力模块ms(f)公式如下:
22、
23、其中,σ指激活函数,指逐元素加和操作,avgpool为全局平均池化,maxpool为全局最大池化,分别沿着空间轴进行平均池化操作和最大池化操作,得到的是平均池化的特征和最大池化的特征
24、进一步地,所述步骤s4)中,具体为:
25、s41)定义数据集中所有图像i∈rh×w×3作为输入,使用高斯金字塔获得不同分辨率的子图像,
26、g(x)=down(gaussian(x)) (1)
27、其中,down表示下采样,高斯表示高斯滤波,高斯核的大小为5×5;
28、每次高斯金字塔运算后,图像的尺寸和分辨率都不断地降低,且高斯金字塔的下采样操作为不可逆;
29、s42)为了在上采样后恢复原始的高分辨率图像,需要收集丢失的信息,而丢失的信息构成了拉普拉斯金字塔的组成部分,将拉普拉斯金字塔的定义为:
30、li=gi-up(gi+1) (2)
31、li表示拉普拉斯金字塔中的第i层;gi表示高斯金字塔中的第i层,up为双线性上采样操作;
32、s43)在重建图像时,通过执行公式(2)的反向操作,恢复高分辨率图像;
33、s45)通过eep边缘处理模块增强拉普拉斯金字塔中的组件,eep边缘处理模块使用两个不同方向的scharr算子计算图像梯度,获得边缘,增强组件的纹理。
34、进一步地,scharr算子通过计算梯度逼近来找到边缘,在水平方向和垂直方向上使用scharr算子,通过卷积滤波器重新提取边缘信息,并使用残差增强信息流,过程表示为:
35、eep(x)=f(scharrh(x)+scharrw(x))+x (3)
36、scharrh和scharrw分别表示垂直和水平方向的scharr操作,f为内核为3×3的卷积层。
37、本专利技术具有如下有益效果:
38、本专利技术算法相比于原始的yolov7算法,对交通标志的检测有所改进,提高了yolov7算法对交通标志的平均识别精度,本专利技术方法为交通标志检测领域的研究提供了一种新的思路,对提高自动驾驶汽车的视觉感知能力具有一定意义。
本文档来自技高网...【技术保护点】
1.一种基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:包括
2.如权利要求1所述的基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:步骤S2)中,采用直方图均衡化、滤波、噪声抑制和对比度增强方式,对交通标志图像进行去噪声,增强图像的对比度。
3.如权利要求1所述的基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:步骤S2)中,所述改进后的ELANSTB模块为:将两个连续的STB模块嵌入到原始YOLO v7算法中主干网络中的ELAN模块中,得到ELANSTB模块。
4.如权利要求3所述的基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:所述ELANSTB模块用滑动窗口注意力机制MSA。
5.如权利要求1所述的基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:所述步骤S2)中,在原始YOLO v7算法中主干网络的CBS模块的卷积层后面添加CBAM注意力机制,具体为:
6.如权利要求1所述的基于
7.如权利要求6所述的基于改进LEP-YOLO v7的城市道路交通标志检测与识别方法,其特征在于:Scharr算子通过计算梯度逼近来找到边缘,在水平方向和垂直方向上使用Scharr算子,通过卷积滤波器重新提取边缘信息,并使用残差增强信息流,过程表示为:
...【技术特征摘要】
1.一种基于改进lep-yolo v7的城市道路交通标志检测与识别方法,其特征在于:包括
2.如权利要求1所述的基于改进lep-yolo v7的城市道路交通标志检测与识别方法,其特征在于:步骤s2)中,采用直方图均衡化、滤波、噪声抑制和对比度增强方式,对交通标志图像进行去噪声,增强图像的对比度。
3.如权利要求1所述的基于改进lep-yolo v7的城市道路交通标志检测与识别方法,其特征在于:步骤s2)中,所述改进后的elanstb模块为:将两个连续的stb模块嵌入到原始yolo v7算法中主干网络中的elan模块中,得到elanstb模块。
4.如权利要求3所述的基于改进lep-yolo v7的城市道路交通标志检测与识别方法,其特征在...
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。