[发明专利]一种基于透视降采样的YOLO地面标志检测方法、设备及存储介质

权利要求书

1.一种基于透视降采样的YOLO地面标志检测方法，其特征在于，所述地面标志是指位于道路平面上的各种标志，包括直行或右转、直行或左转、直行、左转、右转，分别用SorR、SorL、S、L、R表示，包括步骤如下：

(1)构建数据集

实时获取道路图像并进行标注，构建数据集，将数据集中的道路图像划分为训练集、测试集和验证集；

(2)透视降采样

将数据集中道路图像中划定的梯形ROI区域进行透视降采样操作；

(3)构建YOLO目标检测模型

YOLO目标检测模型为改进后的YOLOv3-tiny网络，

改进后的YOLOv3-tiny网络包括依次连接的卷积层conv1、池化层maxpool1、卷积层conv2、池化层maxpool2、卷积层conv3、卷积层conv4、池化层maxpool3、卷积层conv5、池化层maxpool4、卷积层conv6、池化层maxpool5、卷积层conv7、卷积层conv8、上采样层Upsample1、连接层concat1、卷积层conv9、卷积层conv10、上采样层Upsample2、连接层concat2、卷积层conv11、卷积层conv12；卷积层conv5连接连接层concat2，卷积层conv6连接连接层concat1；卷积层conv4的卷积步长为1，池化层maxpool3的步长为2，卷积层conv10的输出尺度为26×26，卷积层conv12的输出尺度为52×52；

(4)训练YOLO目标检测模型

将训练集中的道路图像输入YOLO目标检测模型进行训练；

(5)测试训练好的YOLO目标检测模型

将测试集中的道路图像输入训练好的YOLO目标检测模型进行测试，训练好的YOLO目标检测模型实时准确的检测出目标的位置和类别。

2.根据权利要求1所述的一种基于透视降采样的YOLO地面标志检测方法，其特征在于，训练YOLO目标检测模型，具体实现步骤包括：

A、将训练集中的道路图像输入YOLO目标检测模型，将该道路图像划分为S×S个网格，若某个物体即某个标志的真实框中心点落入某个网格中，则该网格负责预测该物体，每个网格预测B个边界框以及边界框的置信度，置信度即每个边界框中包含物体的概率，具体包括：一是该边界框含有目标的可能性大小，记为Pr(Object)，当该边界框是背景不含目标时，Pr(Object)＝0，当包含目标时，Pr(Object)＝1；二是该边界框的准确度，用预测框与真实框的交并比表示，记为置信度如式(Ⅰ)所示：

式(Ⅰ)中，confidence为置信度评分，Pr(Object)为边界框含有目标的可能性，IOU为预测框与真实框交并比，truth为实际标注的边界框面积，pred为预测的边界框面积，代表truth和pred的交集与并集的比值；

对结果进行预测，由条件类别概率和置信度评分乘积得到类别的置信度，如式(Ⅱ)所示：

classConfidence＝Pr(class_i|Object)×confidence (Ⅱ)

式(Ⅱ)中，classConfidence是指边界框类别置信度，表征的是该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的好坏；Pr(class_i|Object)是指该网格存在物体且属于第i类的概率；class_i是指目标种类中的第i个类别；

B、利用非极大值抑制去掉冗余预测窗口，得到类别的置信度最高的预测窗口，即为检测结果。

3.根据权利要求1所述的一种基于透视降采样的YOLO地面标志检测方法，其特征在于，步骤(1)中，每隔5帧抽取1张道路图像作为数据集，该数据集中道路图像包括不同城市的不同场景的道路图像；

数据集满足PascalVOC数据集格式；

按照7:2:1的比例将数据集中的道路图像划分为训练集、测试集和验证集；

使用LabelImg进行标注；

所述数据集包括道路图像和xml标注文件。