[发明专利]基于多层次分治网络的交通标志目标检测方法

说明书

本发明公开一种基于多层次分治网络的交通标志目标检测方法，用于解决现有技术中对交通标志检测精度和召回率低的技术问题。本发明的具体步骤如下：生成训练集和测试集；训练目标检测网络；提取测试集中无交通标志目标的样本的背景类别；对训练集中的数据进行增强；生成标号类别的训练集和标号及背景类别的训练集；训练分类网络；对待检测的目标进行定位及粗分类；对粗分类后的图片进行细分类。本发明所构建的多层次分治网络克服了现有技术中对交通标志目标在定位与分类问题上无法获得优良结果的缺陷，使得本发明有效地提高了交通标志目标的定位与分类精确率。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像目标检测技术领域中的一种基于多层次分治网络的交通标志目标检测方法。本发明可用于检测自然图像中静止交通标志的目标。

背景技术

交通标志检测是指根据图像中交通标志的颜色、形状等特征，定位交通标志的位置，并且对图像中的交通标志进行分类识别，获取交通标志的含义，规范车辆的行驶。近年来，大量的目标检测方法开始应用于交通标志检测，但在现实任务中目交通标志标检测仍然存在很多挑战，像对交通标志目标的分类效果较差等。这是由于现实生活中的交通标志样式简单、使用频率不同导致的交通标志分布不均匀，而且还有不同的光照，拍摄视角，拍摄距离等影响因素，导致交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡，形似干扰物过多问题。

浙江工业大学在其申请的专利文献“基于YOLOv3改进的交通标志检测与识别方法”(专利申请号CN201911422311.6，申请公布号CN111191608A)中公开了一种改进的目标检测网络YOLOv3的交通标志检测与识别方法。该方法的具体步骤如下：(1)构建YOLOv3网络模型，替换原本网络模型中的Darknet53网络为Mobilenetv2；(2)通过Inv_res2net_bloc卷积方法与NAS-FPN结构优化了特征融合效果；(3)采用GIoU改进损失函数用于更新网络权重参数；(4)在训练中使用多尺度训练和数据增强方法，使得模型检测效果得到了提高并且精简了模型。但是，该方法仍然存在的不足之处是：其主要目的是为了优化YOLOv3模型的大小问题，特征提取方法的改进无法解决交通标志部分类别样本数目匮乏、类别样本数目不平衡的问题。

天津大学在其申请的专利文献“基于多尺度信息和残差网络的小目标交通标志检测方法”(专利申请号202010076305.6，申请公布号CN111310615A)中公开了一种利用多尺度信息方法和基于残差网络的小目标交通标志检测方法。该方法使用ResNet101作为特征提取网络的骨干，通过在特征提取网络中添加3个使用空洞卷积的卷积层并行分支获取图片的多尺度信息，并在区域生成网络RPN中加入尺度过滤来提高网络的检测性能，并且使用了gradual warmup方法来优化学习率，使网络能够稳定收敛。此外，网络通过使用软化非极大值抑制算法，有效降低了小目标交通标志的漏检率。该方法虽然通过充分利用图片的多尺度信息有效提升了对小目标交通标志检测的准确率，但是，该方法仍然存在的不足之处是：仅是提升小目标交通标志检测的准确率，却并不能解决交通标志数据集本身最大的类别样本数目不平衡特性问题。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于多层次分治网络的交通标志目标检测方法，用于解决现有技术中交通标志的图片数据集中存在部分类别样本数目匮乏，类别样本数目不平衡，形似干扰物过多的问题从而解决现有目标检测网络技术中对交通标志检测精度和召回率较低的技术问题。