【技术实现步骤摘要】
本专利技术属于智能驾驶领域，具体涉及一种用于交通标志检测的单阶段目标检测方法。
技术介绍
1、随着我国城市化进程的加快和机动车数量的快速增长，城市道路交通吞吐量不断增加，各种交通问题也随之出现。智能交通系统(its)可以有效地利用现有的交通设施，保证交通安全，提高运输效率，是未来交通系统发展的主要方向。交通标志检测是自动驾驶系统的重要组成部分，其可以给为自动驾驶系统提供当前的路况信息，辅助系统提前对当前的驾驶状态和行驶路径进行规划，也可以对驾驶员的不规范行为进行提醒。
2、近年来，大多数最先进的目标检测算法都使用了卷积神经网络(cnn)，并在目标检测任务中取得了丰硕成果，例如两阶段检测器faster r-cnn，r-fcn，一阶段检测器ssd和yolo。然而，直接将这些方法应用于交通标志识别，在实际应用中很难取得令人满意的效果。车载移动终端的目标识别和检测，对不同尺度的目标都要求有很高的精度，对识别速度也有很高的要求，这意味着要满足准确性和实时性两个要求。虽然交通标志检测技术已经经过了几十年的发展，但目前的交通标志检测技术仍然存在着问题。
3、当前的目标检测技术对小目标的检测能力较差，模型对小目标的误检率和漏检率相较于中、大尺寸的目标仍有着非常大的差距。由于小目标在图片中的占比非常小，且在交通标志密集的路段，周围环境往往较为复杂，容易干扰系统对小目标的判断，从而导致小目标在图片中有着较大的检测难度。而且，由于目前主流的目标检测网络往往依赖于较深的特征提取网络来提取语义信息，像素尺度较小的小目标在下采样过程
4、本专利技术使用yolov5网络作为改进的基础网络，因为其具有计算量小、识别速度快的优点，然而其同样存在着对小目标检测精度不高的问题。针对这个问题，sunkara r等人提出了spd(space to depth)模块[1]，将传统的卷积下采样替换为无信息损失的空间转深度模块，减少了小目标由于多次卷积下采样产生的信息损失，提升了小目标的检测精度。为了让网络能够学习到特征图中更多的重要信息，ouyang d等人提出了ema(efficientmulti-scale attention module with cross-spatial learning)注意力模块[2]，其将通道整形为批量维度，并将通道维度分组为多个子特征，使得空间语义在每个特征组中能够均匀分布，并且能够有效进行跨维度交互和建立维度间的依赖关系。为了让网络检测速度更快，冗余度更小，li h等人提出了gsconv模块[3]，其减少了特征图的冗余信息，并且还减少了网络参数量，使得整个模块更加高效轻量快速。张涛等人将坐标注意力模块ca引入spd模块，设计了spd-ca模块[4]，使得模型在下采样过程可以更加专注于目标特征。於俊等人将c2f中的bottleneck换成了fasternet模块，并且引入ema注意力模块，构造了c2f-fnema模块[5]，相比于原来c2f的bottleneck，fasternet块更加轻量快速，可以同时减少计算冗余和内存访问，有效减少了计算时间，而ema注意力使得网络能够有效地学习有效的通道描述二部降低通道维度，并为高级特征图产生更好的像素级关注，有效地提升了网络的信息表达能力和检测效果。张婧婧等人基于轻量级的gsconv模块和vovgscsp模块构造出efficient-neck细颈结构[6]，实现颈部网络的轻量化，减少颈部网络3的参数量，结合通道混洗策略，有效提取特征信息，同时提高模型检测精度和检测速度。
技术实现思路
1、本专利技术提供一种用于检测交通标志的单阶段目标检测方法，具有检测速度快，精度高的优点。技术方案如下：
2、一种用于交通标志检测的单阶段目标检测方法，其特征在于，具体步骤如下：
3、步骤1：构建数据集并进行数据预处理与筛选；
4、步骤2：将步骤1所得数据集划分为训练集、验证集和测试集并对划分出来的训练集进行数据增强；
5、步骤3：对yolov5网络进行改进，构建网络模型架构，包括：构建用于特征提取的主干网络以及用于特征融合的瓶颈网络，具体如下：
6、步骤3.1：构建用于特征提取的主干网络，网络的主干顺序连接了pasd模块、group1、group2、group3、group4和sppf模块，其中每一个group都由pasd模块和c2f-gsema模块串接而成，组成了改进的yolov5s主干网络部分；将图片输入主干网络后，经过一次pasd进行下采样，并且依次经过group1、group2、group3模块后分别输出m1、m2、m3特征图，m3经过group4模块进行下采样和特征增强后，再经过sppf提取和融合特征图中不同尺寸的特征后，输出m4特征图，通过主干网络得到了{m1、m2、m3、m4}四个特征图，用于后续的特征融合；
7、步骤3.2：构建用于特征融合的瓶颈网络，输出特征融合后的不同尺度的特征图；
8、步骤3.3：构建特征分类回归网络，对步骤3.2输出的不同尺度的特征图进行分类和检测框回归，得到类别分数和检测框的回归值；
9、步骤4：训练构建改进的yolov5s模型至收敛，包括：超参数进化和模型训练。
10、进一步的，对划分出来的训练集进行数据增强，方法包括albumentations增强和augment hsv增强。
11、进一步的，步骤3.1包括：
12、在主干网络中的pasd模块中，将尺寸为w×h的输入特征图x以2×2的小块为单位进行切分成(w×h)/4个大小为2×2的小块，将这些2×2小块的左上角像素块按照原特征图的相对位置合并成长为w/2，宽为h/2缩小特征图，对2×2小块的右上角、左下角、右下角的像素块做同样的操作，得到四个长为w/2，宽为h/2的缩小特征图{a，b，c，d}；对输入特征图x分别进行尺寸为2×2、步长为2的平均池化得到输出e，以及尺寸为2×2、步长为2的最大池化得到输出f，将两个池化的结果e、f与四个缩小特征图{a，b，c，d}按照空间维度拼接在一起，并进行一次核大小为1×1、步长为1、输出通道数为输入通道数六分之一的卷积操作后，得到pasd模块的最终输出；
13、主干网络中的c2f-gsema模块包括2个cbs模块、1个分离模块、n个gsbottleneck模块和一个ema(efficient multi-scale attention module with cross-spatiallearning)注意力模块；本文档来自技高网...
【技术保护点】
1.一种用于交通标志检测的单阶段目标检测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的单阶段目标检测方法，其特征在于，步骤3.1包括：
3.根据权利要求1所述的单阶段目标检测方法，其特征在于，步骤3.2包括：瓶颈网络在原始YOLOV5网络的瓶颈网络的基础上新融合主干网络中尺寸更大的特征图M1，将所述M4特征图经过GSConv和上采样之后与M3特征图进行合并操作，并将合并后的特征图经过C2f-GSEMA模块，得到F1特征图，之后F1特征图经过GSConv、上采样模块之后，与M2特征图进行合并操作，并将合并后的特征图经过C2f-GSEMA模块，得到F2特征图；F2特征图经过GSConv、上采样模块之后，与M1特征图进行合并操作，并将合并后的特征图经过C2f-GSEMA模块，得到F3特征图；F3特征图经过PASD模块之后，与F2特征图合并，合并后的特征图经过C2f-GSEMA模块，得到F4特征图；F4特征图经过PASD模块之后，与F1特征图合并，合并后的特征图经过C2f-GSEMA模块和EMA注意力模块后得到F4特征图。
4.根据权利要求
5.根据权利要求1所述的单阶段目标检测方法，其特征在于，步骤4的方法如下：
...【技术特征摘要】
1.一种用于交通标志检测的单阶段目标检测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的单阶段目标检测方法，其特征在于，步骤3.1包括：
3.根据权利要求1所述的单阶段目标检测方法，其特征在于，步骤3.2包括：瓶颈网络在原始yolov5网络的瓶颈网络的基础上新融合主干网络中尺寸更大的特征图m1，将所述m4特征图经过gsconv和上采样之后与m3特征图进行合并操作，并将合并后的特征图经过c2f-gsema模块，得到f1特征图，之后f1特征图经过gsconv、上采样模块之后，与m2特征图进行合并操作，并将合并后的特征图经过c2f-gsema模块，得到f2特征图；f2特征...
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。