[发明专利]一种基于YOLO v4算法的交通标志检测方法

说明书

本发明涉及一种基于YOLO v4算法的交通标志检测方法，包括：S1：获取训练数据中的交通标志图像，并对其进行分辨率调整；S2：选取交通标志数据集作为训练数据，并对训练数据进行格式转换；S3：将格式转换后的交通标志数据集输入至改进后的YOLO v4算法中进行训练，获取训练完成的交通标志检测模型；S4：将分辨率调整后的交通标志图像输入至训练后的交通标志检测模型中，进行交通标志的检测。与现有技术相比，本发明具有提升模型的检测精度等优点。

技术领域

本发明涉及计算机视觉技术领域，尤其是涉及一种基于YOLO v4算法的交通标志检测方法。

背景技术

交通标志检测是自动驾驶领域中的一个重要组成部分。一个快速、准确的交通标志检测算法可以更好地帮助驾驶员和自动驾驶车辆感知道路状况，以便操作者可以根据算法反馈更加快速准确地做出相应的操作，有效地降低交通事故的发生率，进而有力的保障驾驶员和车辆的安全。由于交通标志本身尺寸较小同时其背景较为复杂，又由于交通标志检测算法在使用的时候是以车辆作为载具平台为应用基础，因此在算法的实际使用过程中会存在难以检测到交通标志的问题，同时也对算法检测的实时性具有较高要求。

交通标志检测算法主要面临以下挑战：(1)在实际拍摄到的图像中交通标志占比很小，属于小目标，而小目标的相关信息在算法对图像的检测过程中很容易丢失，因此交通标志检测的实现具有较大难度。(2)同类型交通标志之间背景颜色相同，相似度较高，只是具体内容有所不同，因此在实际的检测过程中很难实现对交通标志类别的区分。

已有的交通标志检测算法的实现方法分为两类：一类方法是依据交通标志的颜色和形状等物理信息来提取相应的特征，进而进行交通标志的分类，但是由于交通标志尺寸较小，且同类型交通标志之间的相似度很高，因此这类方法不能很好的实现交通标志的检测。另一类方法是基于卷积神经网络的交通标志检测算法，其中最具代表性的两类交通标志检测算法分别是一阶段交通标志检测算法和两阶段交通标志检测算法，两阶段交通标志检测算法具有较高的检测精度但是检测速度较慢，虽然一阶段交通标志检测算法的检测速度比较快但是检测精度较低。除上述两类方法外，最近出现一些基于深度学习的交通标志检测方法，它们对图像中的交通标志进行检测时具有出色的能力，但这些方法存在着检测精度较低或者检测速度较慢的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于YOLO v4算法的交通标志检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于YOLO v4算法的交通标志检测方法，该方法包括：

S1：获取训练数据中的交通标志图像，并对其进行分辨率调整。

S2：选取交通标志数据集作为训练数据，并对训练数据进行格式转换。

S3：将格式转换后的交通标志数据集输入至改进后的YOLO v4算法中进行训练，获取训练完成的交通标志检测模型。

S4：将分辨率调整后的交通标志图像输入至训练后的交通标志检测模型中，进行交通标志的检测。

进一步地，S1中，将训练数据中不同分辨率的交通标志图像分辨率调整为固定分辨率交通标志图像。

进一步地，S2中，选取公开的交通标志数据集TT100K作为训练数据。

进一步地，所述改进后的YOLO v4算法为加入注意力机制SENet的YOLO v4算法，该算法的流程包括：

1)挤压操作：

通过使用全局平均池化将输入的特征图像U_k压缩为一个实数Y_k，Y_k中包括特征图像U_k的全部信息；

实数Y_k的计算式为：