[发明专利]一种基于改进YOLOv5的交通标志检测方法

说明书

本发明公开一种基于改进YOLOv5的交通标志检测方法，基于YOLOv5神经网络、以及包含标签的交通图像的交通标志数据集。在YOLOv5神经网络的主干部分添加特征增强FEM模块和区域上下文模块，在输出端部分之后增加CIoU‑NMS模块，依次顺序连接改进YOLOv5神经网络主干部分、颈部、改进YOLOv5神经网络输出部分，构建并训练以交通标志样本图像为输入、交通标志样本图像所对应的真值标签为输出改进YOLOv5的交通标志检测模型。应用交通标志检测模型，获得目标交通标志图像对应的标签。本发明提出了新的区域上下文模块和特征增强模块，用在YOLOv5检测算法中，交通标志检测性能有所提升。

技术领域

本发明属于目标检测和计算机视觉领域，特别涉及一种基于改进YOLOv5的交通标志检测方法。

背景技术

交通标志检测的任务是在图像或视频中显示出交通标志的类别及位置。交通标志检测是自动驾驶和辅助驾驶的重要组成部分，交通标志中含有速度限制、路面状况等信息，是安全驾驶的重要一步，因此，对交通标志进行研究具有重要的理论和现实意义。

交通标志检测研究可划分为传统方法和基于深度学习的方法。其中，传统的方法利用外观、颜色特征进行检测交通标志，但是特征提取依赖手工，存在很多局限，不满足交通标志检测实时性、精确性的要求。2014年，R-CNN(GIRSHICK R,DONAHUE J,DARRELL T,etal.Rich Feature Hierarchies for Accurate Object Detection and SemanticSegmentation[C]//Proceedings of IEEE Conference on Computer Vision andPattern Recognition.Washington D.C.,USA:IEEE Press,2014:580-587)首次将卷积网络用于目标检测，自此以后，基于深度学习方法开始广泛应用于交通标志检测。基于深度学习的目标检测算法主要分为两个方向：基于一阶段检测与双阶段检测算法。一阶段检测算法主要有：YOLO(you only look once)系列、SSD(single shot multibox detector)系列等。双阶段检测算法主要有R-CNN系列等。

由于交通标志目标较小、分辨率低，Li等人(Li J,Liang X,Wei Y,etal.Perceptual Generative Adversarial Networks for Small Object Detection[C]//2017IEEE Conference on Computer Vision and Pattern Recognition.Honolulu,USA:IEEE Press,2017:1951-1959.)介绍了新的感知对抗网络，将小的交通标志分辨率增加，从而提高检测精度。交通标志检测中包含大量小目标，针对此问题，Fan等人(Fan B B,YangH.Multi-scale traffic sign detection model with attention[J].Proceedings ofthe Institution of Mechanical Engineers,Part D:Journal of AutomobileEngineering,2021,235(2-3):708-720.)介绍了一种基于注意机制的多尺度交通标志检测方法，能够抑制背景信息，更好关注交通识别图像中的目标区域；Tang等人(Tang Q,Cao G,Jo K H.Integrated Feature Pyramid Network With Feature Aggregation forTraffic Sign Detection[J].IEEE Access,2021,9:117784-117794.)介绍了一种新的融合特征聚合的特征金字塔网络，从而增强网络对交通标志大小差异的鲁棒性。虽然现有的检测算法在交通标志检测方面取得了较好的成绩，但是由于交通标志中小目标占比大，且小目标分辨率低，在实际检测中存在很多困难，比如：检测精度低、漏检等问题。针对以上分析，交通标志检测还待进一步研究。

发明内容