本發明公開了一種基于改進的yolov3?tiny網絡的交通標識檢測方法，提高了yolov3?tiny檢測交通標識的準確率，同時減少了參數量，可以達到在嵌入式平臺上實時檢測交通標識的效果。該方法包括數據集預處理，yolov3?tiny的網絡結構的改進，以及改進后網絡模型的測試。本發明的網絡檢測模型在測試集上的檢測精度mAP達到93.53％，比yolov3?tiny提高了4.17％，recall達到了94.49％，比yolov3?tiny提高了2.63％，參數量只有5.7M，比yolov3?tiny減少了83.6％，在嵌入式平臺上檢測交通標識時性能優良。本發明可以應用于交通標識檢測領域。

技術領域

本發明屬于交通標識檢測領域，具體涉及一種基于改進的yolov3-tiny網絡的交通標識檢測方法。

背景技術

交通標識識別是高速公路養護，駕駛員輔助系統和智能汽車及城市建設很重要的一部分。交通標識包含豐富的道路交通信息，為駕駛員提供警示、輔助等道路信息，對減輕駕駛員的駕駛壓力、降低道路的交通壓力，減少交通事故的發生率起著重要的輔助作用，所以交通標識識別是實現智能交通很重要的一部分。在過去，交通標志檢測的主流方法是基于傳統的目標檢測算法，傳統的檢測算法大部分是基于機器視覺的檢測算法，基于形狀和顏色進行檢測等等，這種交通標志檢測一般采用手動提取特征目標區域，然后結合分類器過濾出負面信息，但人為提取特征存在一定的主觀性，所以傳統檢測方法有一定的局限性。目前，深度卷積網絡應用于圖像識別和目標檢測，其速度和精度越來越高。卷積神經網絡(CNN)無需預處理就可以從大量樣本中學習特征，避免了手動提取特征的困難，學習了更多的廣義特征。

隨著深度學習的不斷發展，基于深度學習的目標檢測算法也越來越多。RCNN(Regions withCNN)通過提取多個候選區域，將所有候選區域分別輸入CNN網絡，再將CNN的輸出輸入SVM進行類別的判定；Fast RCNN(Fast Regions with CNN)直接將整張圖像輸入到卷積層，得到候選區域的特征圖，最后得到相對位置的回歸和類別的判定；Faster RCNN(Faster Regions with CNN)將Fast RCNN中的提取候選區域的部分采用區域候選神經網RPN(Region Proposal Network)來完成；SSD(SingleShot MultiBox Detector)是在不同層級的特征圖下進行分類識別。

上述這些算法都在CPU+GPU的異構平臺上實現，模型都較大。而要在嵌入式平臺上實現，網絡需要具有模型小，實時性較高的特性，在所有檢測算法中，Tiny-YOLO系列網絡由于實時性高、參數量較小，在在嵌入式平臺上更易實現。

發明內容

本發明的目的是提高yolov3-tiny檢測交通標識的準確度的同時減少網絡的參數量，以便移植到嵌入式平臺上運行。本發明針對自動駕駛中的實際需求，可以達到在嵌入式平臺上實時檢測交通標識。

為實現上述目的，按照本發明的一個方面，提供了一種基于改進的yolov3-tiny網絡的交通標識檢測方法，包括數據集預處理，改進yolov3-tiny的網絡結構，以及改進后網絡模型的測試。其中改進yolov3-tiny的網絡結構包括修改初始候選框的個數，卷積層及目標檢測層的增添及對網絡進行密集連接。

其中，數據集預處理，對于數據集圖像，由于圖像是從不同的設備上獲取的，所以圖像的大小并不統一，比如1000*300、1024*768和1280*720。此外，由于縮放變換，部分圖像被更改為513*999和641*936。所使用數據集為長沙交通數據集CCTSDB的部分圖片。考慮到YOLO算法所需輸入的固定大小，我們將不同尺度的圖像調整為608*608的均勻尺寸。同時，為了訓練的有效性，訓練集為上述數據集中隨機的3500張，測試集為上述數據集中的隨機的1000張，驗證集為上述數據集中的隨機500張。

改進yolov3-tiny的網絡結構包括修改初始候選框的個數，卷積層及目標檢測層的增添及對網絡進行密集連接三個步驟。