[发明专利]一种基于YOLO v4-tiny的交通标志识别方法

说明书

本发明公开了一种基于YOLO v4‑tiny的交通标志识别方法，首先采集交通标志数据集，然后对初始样本交通标志数据集进行数据增强操作，并划分成训练集、验证集、测试集；针对训练集中的真实目标框以交并比为指标聚类出6个不同大小的先验框尺寸，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；通过训练集训练网络模型并通过验证集进行验证，最后通过测试集测试网络模型的性能。本发明方法在YOLO v4‑tiny轻量型网络中引入了通道注意力和空间注意力机制，泛化能力更强、识别精度更高。

技术领域

本发明涉及图像处理领域，具体涉及一种基于YOLO v4-tiny轻量型网络的改进的交通标志识别方法。

背景技术

在AI智能发展的今天，自动驾驶技术领域取得了许多突破性成果，例如，智能视觉系统在短短几年时间便在识别效果上实现了质的飞跃。技术的突破让越来越多的原型智能车能够走出实验室，在真实道路环境中进行测试，逐渐向实际应用迈进。交通标志用来向车辆、行人传递指示信息，是保证交通线路的流畅性和安全性关键因素。因而，准确迅速地对交通标志进行识别是实现自动驾驶安全性保障的关键环节。对于交通标志识别这种任务，更多地需要部署在边缘和移动设备中，这对边缘设备的计算力和内存来说都是一个挑战，所以兼顾准确性和实时性的交通标志检测算法成为首选。

目前基于卷积神经网络的目标检测算法的发展大致分为两个方向：基于候选区域的Two-stage检测器和基于回归的One-stage检测器。Two-stage检测器一般具有速度慢精度高的特点，One-stage检测器一般具有速度快精度低的特点。尽管基于候选区域的二阶段目标检测方法R-CNN(Region-based Convolutional Neural Network)系列(包括R-CNN、Fast R-CNN以及Faster R-CNN)取得了非常好的检测结果，但由于交通标志识别要求比较高的精度和速度，该系列算法在速度方面离实时效果还比较遥远。与R-CNN系算法不同的是，以SSD(Single Shot MultiBox Detector)和YOLO(You Only Look Once:Unified,Real-Time Object Detection)为代表的一阶段算法的网络模型参数相对较少，在实时性上表现优越，但是在准确性上有点差强人意。随着YOLO系列的更新，第四代算法YOLO v4在保持识别速度的基础上已经能达到较高的的识别精度，尤其轻量级网络YOLO v4-tiny系列模型参数量较少，更适合布置在车辆系统这种边缘设备上，但是其对包含众多目标且交通标志目标较小的交通场景来说识别精读有待提高。

发明内容

为了解决上述问题，本发明提供一种基于YOLO v4-tiny的交通标志识别方法。

本发明对YOLOv4-tiny这个轻量级框架进行改进，引入通道注意力机制和空间注意力机制的相结合模块(CBAM)，使得网络模型YOLO v4-tiny-CBAM能够学会把注意力放在感兴趣的地方，忽略无关信息而关注重点信息，在保证目标检测速度和不大幅增加模型参数量的基础上提升模型对交通标志牌检测的准确率。

为实现以上发明目的，采用的技术方案是：

一种基于YOLO v4-tiny的交通标志识别方法，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。

进一步，步骤S1包括：

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。