[发明专利]一种基于YOLOv4算法的交通标志检测方法

说明书

本发明公开了一种基于YOLOv4算法的交通标志检测方法，涉及图像技术领域，所述方法包括步骤：通过原始YOLOv4算法对预处理后的交通标志图像进行模型训练；通过训练迭代，把模型训练参数达到最优且将损失函数达到最小的模型保存；通过训练好的模型对测试集中的图像进行测试，最终选择置信度最高的边框进行输出，完成交通标志的检测，本发明中改进后的YOLOv4算法能够达到对远处小型交通标志的检测准确率，并且改进后的YOLOv4模型的检测速度提升近3倍，并且极大的减少了模型的参数量。

技术领域

本发明涉及图像检测技术领域，尤其涉及到一种基于YOLOv4算法的交通标志检测方法。

背景技术

道路交通安全是全球人民普遍关注的问题，每年约有125万死于交通事故。但研究[1]表明，在交通事故发生前1.5秒对驾驶员做出指示，可以减少近90％的交通事故。因此，对道路交通标志的目标检测算法尤为重要，且检测算法对目标进行实时检测。传统的目标检测算法主要分为三步，分别是对候选区域分割、特征提取、图像候选区域的检测，现有技术中存在基于SIFT特征的交通标志检测算法，在输入图像中提取特征区域，采用SIFT描述符计算特征区域，或者通过HOG的变形组件(Deformable Part Model,DPM)的交通标志检测算法，通过SVM分类器分类，能够有效检测不同形状的交通标志，但传统检测算法需要人工的预提取特征，耗费大量时间，容易出现漏检，且需要图像质量较高，很难达到理想的识别准确率，近年来，随着深度学习广泛应用于图像处理领域，虽然基于卷积神经网络的目标检测算法取得了很大的成就，但是基于卷积神经网络的目标检测算法在实时性上仍需要提高。

为此，本发明公开了一种基于YOLOv4算法的交通标志检测方法，相比于现有技术，本发明可以在保证计算成本的前提下，提高检测速度，本发明提出一种通过深度可分离卷积对原始YOLOv4主干提取网络进行改进，得到新的主干提取网络，通过设计的实验结果表明，改进后的YOLOv4模型与原始YOLOv4模型在CSTD交通标志数据集上的mAP仅相差0.88％，但检测速度提升近3倍，并一定程度上减少了模型的参数量。

发明内容

本发明的目的在于克服现有技术的不足，提供了一种基于YOLOv4算法的交通标志检测方法，相比于现有技术，本发明可以在保证计算成本的前提下，提高检测速度。

本发明是通过以下技术方案实现的：一种基于YOLOv4算法的交通标志检测方法，所述方法包括步骤：

通过原始YOLOv4算法对预处理后的交通标志图像进行模型训练；

通过训练迭代，把模型训练参数达到最优且将损失函数达到最小的模型保存；

通过训练好的模型对测试集中的图像进行测试，最终选择置信度最高的边框进行输出，完成交通标志的检测。

优选地，通过深度可分离卷积对原始YOLOv4算法的主干提取网络CSPDarknet进行处理，所述处理包括步骤：

步骤100：将原始算法中的多通道特征图利用深度可分离卷积，具体的，先采用3×3的卷积核对每一个通道进行卷积，分解成单通道的特征图；

步骤200：使用1×1的卷积核对分解成单通道的特征图再次卷积调整通道数，输出第二特征图。

优选地，所述交通图像具体为指示标志、禁止标志和警告标志。

本发明公开了一种基于YOLOv4算法的交通标志检测方法，与现有技术相比：