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】
本专利技术属于计算机视觉,具体涉及一种基于复合特征融合的恶劣天气下交通标志检测方法。
技术介绍
1、交通标志检测是智能交通系统的重要组成部分,为车辆决策和导航提供重要信息。目前应用最广泛的是通过车载摄像头获取道路的交通标志信息。车载摄像头通过采集到的图像信息进行交通标志检测,将检测到的交通标志信息反馈给车载系统和驾驶员,并对车辆行驶规划和驾驶员操作进行相应的指导,从而提高辅助驾驶的安全性。然而,交通标志的检测容易受到天气变化的影响,这给辅助驾驶的应用带来了很大的安全隐患。目前,大多数交通标志的检测仅在正常环境下进行。如果天气复杂多变,对交通标志的检测则会不准确,这给辅助驾驶带来很大的安全隐患。
2、传统的交通标志检测算法依赖于传统的图像处理技术,对于光照变化和环境条件变化非常敏感,在恶劣的天气条件下检测结果不佳。并且传统方法通常需要手工设计特征提取器,在面对复杂的场景和多样的标志类型时可能无法提供足够的鲁棒性。然而,由于深度学习技术的进步,基于深度学习的算法已经得到了普及。特别是卷积神经网络的发展,提高了智能驾驶系统中的检测精度、速度和泛化能力。
3、一般天气条件下的交通标志检测技术已经取得显著进展。chen等人(chen j,jiak,chen w,et al.a real-time and high-precision method for small traffic-signsrecognition[j].neural computing and applications,2022:1-13.)采用
4、与一般的交通标志检测相比,恶劣天气条件下的交通标志检测研究很少。一种直接的方法是通过使用经典的去雾或图像增强方法对图像进行预处理(guo c,li c,guo j,et al.zero-reference deep curve estimation for low-light image enhancement[c]//proceedings of the ieee/cvf conference on computer vision and patternrecognition.2020:1780-1789.),最初的设计是为了去除雾和提高图像质量。然而,图像质量的提高并不一定有利于检测性能;一种基于优先级的方法(li b,peng x,wang z,etal.aod-net:all-in-one dehazing network[c]//proceedings of the ieeeinternational conference on computer vision.2017:4770-4778.)共同进行图像增强和检测,以减弱不利天气特定信息的干扰;sindagi等人(sindagi v a,oza p,yasarla r,et al.prior-based domain adaptive object detection for hazy and rainyconditions[c]//computer vision–eccv 2020:16th european conference,glasgow,uk,august 23–28,2020,proceedings,part xiv 16.springer international publishing,2020:763-780.)提出了一种无监督的基于先验的领域对抗目标检测框架,用于雾霾和多雨条件下的检测;zhang等人(zhang s,tuo h,hu j,et al.domain adaptive yolo for one-stage cross-domain detection[c]//asian conference on machine learning.pmlr,2021:785-797.)利用领域适应来解决这个问题;hnewa和radha(hnewa m,radhah.multiscale domain adaptive yolo for cross-domain object detection[c]//2021ieee international conference on image processing(icip).ieee,2021:3323-3327.)假设在正常和恶劣天气条件下拍摄的图像之间存在域偏移。
5、随着深度学习在目标检测领域的应用,其目标获取快速和检测准确的优点,为交通标志的检测提供了一种可行的方案。通过将检测到的道路交通标志与智能交通系统相结合,可以实时、准确地为驾驶员提供交通信息,有效降低事故发生率。然而,在使用深度学习算法进行检测时,很难在恶劣的天气条件下检测到目标并保证目标的检测精度。因此,如何从恶劣的天气条件下高质量地检测出交通标志就成为一个需要解决的问题。
技术实现思路
1、针对上述问题,本专利技术提出一种基于复合特征融合的恶劣天气下交通标志检测方法,技术方案如下:
2、一种基于复合特征融合的恶劣天气下交通标志检测方法,其特征在于,包括下列步骤如下:
3、步骤1:采集包括恶劣天气下交通标志的图像,获得数据集;
4、步骤2:将步骤1所得数据集切割为训练集和测试集;
5、步骤3:构建网络模型架构,包括:构建用于辅助特征提取的辅助主干网络以及用于特征融合的主要主干网络;构建多尺度双向特征金字塔网络;构建特征分类回归网络,方法如下:
6、步骤3.1:模型的主干包括两个并行主干分支:用于辅助特征提取的辅助主干网络以及用于特征融合的主要主干网络;
7、辅助主干网络由四个模组group11,group12,group13,group14串联而成,每个group1*模组都由一个cbs模块和若干个基于分层切片残差的sliceresc3模块串联而成;
8、主要主干网络由四个模组group21,group22,group23,group24串联而成,每个group2*模组都由一个cbs模块、一个spd模块和若干个yolov5的c3模块串联而成;
9、主要主干网络里的cbs由一个卷积核大小为3×3,步长为1的卷积层、一个批归一化层和一个silu激活函数构成;spd模块是一个空间到深度的转换操作,随后连接一个无步长卷积;spd首先对本模块的输本文档来自技高网...
【技术保护点】
1.一种基于复合特征融合的恶劣天气下交通标志检测方法,其特征在于,包括下列步骤如下:
2.根据权利要求1所述的恶劣天气下交通标志检测方法,其特征在于,辅助主干网络的CBS模块包括一个卷积核大小为3×3,步长为2的卷积层、一个批归一化层和一个SiLU激活函;SliceResC3模块采用分层式的切片残差结构,共有6个branch分支:其中branch1,branch2,branch3,branch4的输入来自本模块输入特征图的通道均匀切片,即将本模块输入特征图沿着通道方向均匀分成4份,按次序分别输入给前4个branch;前4个branch中每个都包含一个卷积核大小为3×3,步距为1的CBS模块;除branch1、branch5、branch6以外,其余branchi的CBS模块输入均来自上一个branchi-1的输出yi-1融合本branchi的输入xi,以此实现残差的分层逐级传递;branch5包含一个卷积核大小为3×3,步距为1的CBS模块和一个卷积核大小为1×1,步距为1的CBS模块;branch6是一条恒等连接;得到前4个branch的输出{y1,y2,y3,y4
3.根据权利要求1所述的恶劣天气下交通标志检测方法,其特征在于,SliceResC3模块的公式如下:
4.根据权利要求1所述的恶劣天气下交通标志检测方法,其特征在于,辅助主干网络的四个模组的SliceResC3堆叠数量分为别1、2、3、1个。
...【技术特征摘要】
1.一种基于复合特征融合的恶劣天气下交通标志检测方法,其特征在于,包括下列步骤如下:
2.根据权利要求1所述的恶劣天气下交通标志检测方法,其特征在于,辅助主干网络的cbs模块包括一个卷积核大小为3×3,步长为2的卷积层、一个批归一化层和一个silu激活函;sliceresc3模块采用分层式的切片残差结构,共有6个branch分支:其中branch1,branch2,branch3,branch4的输入来自本模块输入特征图的通道均匀切片,即将本模块输入特征图沿着通道方向均匀分成4份,按次序分别输入给前4个branch;前4个branch中每个都包含一个卷积核大小为3×3,步距为1的cbs模块;除branch1、branch5、branch6以外,其余branchi...
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。