[发明专利]一种基于YOLO v4-tiny的交通标志识别方法

权利要求书

1.一种基于YOLO v4-tiny的交通标志识别方法，其特征在于，包括如下步骤：

S1、采集交通标志数据集；

在不同天气，不同场景，不同时间下采集包含固定种类的交通标志牌的交通标志图片，制作初始样本交通标志数据集；

S2、对初始样本交通标志数据集进行数据增强操作，所述的数据增强操作包括随机裁剪，扭曲，扩增，镜像，形变；

S3、将S2中数据增强后得到的数据集划分成训练集、验证集、测试集；

S4、针对训练集中的真实目标框以交并比(IOU)为指标聚类出6个不同大小的先验框尺寸，将获得的6个先验框尺寸作为初始参数；

S5、在YOLO v4-tiny框架中嵌入通道注意力机制和空间注意力机制，得到YOLO v4-tiny-CBAM网络模型；

S6、通过训练集训练YOLO v4-tiny-CBAM网络模型并在训练过程中通过验证集对模型进行验证；

S7、通过测试集测试YOLO v4-tiny-CBAM网络模型的性能。

2.根据权利要求1所述的一种基于YOLO v4-tiny的交通标志识别方法，其特征在于，步骤S1具体操作如下：

S11、根据行车记录仪或者在车辆上安装的高清摄像头实时拍摄现实道路场景中的交通标志牌图片；

S12、对步骤S11得到的包含交通标志的图片序列进行筛选，选取不同路段，不同天气，不同光照，不同交通时段下的图片，筛选出的交通标志数据图片数量在类别上平均，剔除交通标志被遮挡的图片；

S13、对筛选出来的交通标志图片按序号重命名，形成新的图片ID，然后对交通标志图片标注，框出每个交通标志牌所在的目标区域，即真实目标框的位置，然后将标注后的交通标志图片作为初始样本数据集。

3.根据权利要求2所述的一种基于YOLO v4-tiny的交通标志识别方法，其特征在于，所述的步骤S5，具体操作如下：

S51、将通道注意力机制和空间注意力机制拼接成一个模块CBAM，具体如下：

通过通道注意力机制将输入特征图依次送入一个全局池化层，一个全连接层(进行降维)，一个ReLU激活层，再接一个全连接层(恢复维度)，然后再经过Sigmoid激活函数，最后将得到的结果与原输入特征图相乘得到通道注意力机制的最后输出；

空间注意力机制先将通道注意力机制的输出作为输入特征分别进行全局池化和最大池化，再将全局池化和最大池化的结果进行拼接得到新的特征层，对得到的新的特征层进行卷积操作，然后由Sigmoid激活函数后再与通道注意力的输出相乘，得到经过注意力机制后的特征图；

S52、现有的YOLO v4-tiny网络结构中，主干网络CSPDarknet53-tiny包括三个带有残差边的CSPResblock，将CBAM模块插入这三个CSPResblock模块后面；

S53、在主干网络的两个输出特征层后、特征金字塔部分上采样前的卷积层后、以及拼接操作后顺序插入CBAM模块。

4.根据权利要求3所述的一种基于YOLO v4-tiny的交通标志识别方法，其特征在于，步骤S6具体操作如下：

S61依据VOOC2007格式准备三个文件夹：标签文件Annotations，图片文件夹JPEGImages和数据集划分文件夹ImageSets，在ImageSets的子文件夹Main里按行存储划分好的训练集、验证集、测试集图片ID名称；

S62配置网络环境，选择Ubuntu系统和PyTorch框架进行训练；

S63设置网络模型参数，根据计算机内存、显存的大小，设置YOLO v4-tiny-CBAM网络模型输入图像的尺寸、6个先验框尺寸、识别种类的数量和标注的各种类名称、预训练权重文件、迭代次数参数，初始学习率以及学习率调整策略；

S64训练至网络模型收敛，在训练的过程中用验证集进行验证，保存每个epoch训练完得到的权重文件。

5.根据权利要求4所述的一种基于YOLO v4-tiny的交通标志识别方法，其特征在于，步骤S7具体操作如下：

S71、加载步骤S6得到的训练好的网络模型权重文件，将测试集输入训练好的YOLO v4-tiny-CBAM网络模型中，经过加入CBAM的主干网络进行特征提取，以及特征金字塔网络(FPN)层的深层和浅层特征融合，得到网络属于两个特征层的所有预测结果；

S72、通过置信度阈值判断，得到所有可能包含交通标志的预测框的边界框坐标、置信度和类别概率；再通过非极大值抑制处理去除冗余检测框，产生最终的检测结果。