[发明专利]一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法

权利要求书

1.一种基于Libra R-CNN的多尺度目标检测网络，基于Libra R-CNN网络，其特征在于，改进了Libra R-CNN网络中的IoU-balanced Sampling和Balanced L1Loss两部分，其中，将IoU-balanced Sampling中原有的RPN替换为GA-RPN，将Balanced L1 Loss替换为SmoothL1 Loss。

2.一种基于Libra R-CNN的多尺度目标检测网络的交通标识检测方法，基于Libra R-CNN改进的多尺度目标检测网络，其特征在于包括以下步骤：

步骤一，读取城市交通道路场景图片；

步骤二，通过CNN提取城市交通道路场景图片的多层特征图；特征提取过程将原始图片转化为RGB图片，下文将RGB图片作为特征图使用；所述的多层特征图是指在经过不同层的卷积神经网络时生成了不同尺度的特征图，用于保留不同的特征信息；

步骤三，根据步骤二产生的特征图生成训练样本，即锚框，并且采用Balanced FeaturePyramid对步骤二产生的多尺度特征图进行特征融合，得到效果增强后的特征图组；

步骤五，通过特征自适应，使用变形卷积将步骤三中的锚框对应到特征图组的每一层特征图上；

步骤六，计算损失值，此处对原始Libra R-CNN进行了改进，故使用Smooth L1 Loss计算回归损失值；

步骤七、训练完成后，即可对待识别城市交通道路场景图片中的交通标识进行识别。

3.根据权利要求2所述的一种基于Libra R-CNN的多尺度目标检测网络的交通标识检测方法，其特征在于：步骤2中的CNN网络优选Resnet50,但可使用任何CNN进行替换。

4.根据权利要求2所述的一种基于Libra R-CNN的多尺度目标检测网络的交通标识检测方法，其特征在于：步骤三中所述的训练样本生成过程进一步如下，

3.1)通过GA-RPN对步骤二产生的某层特征图提取锚框，进一步的，以真实目标为中心进行样本提取，距离真实目标中心的距离进的锚框为正样本，远的为负样本；

3.2)通过IoU-balanced Sampling对负样本进行平衡采样，完成训练样本的构建。