(19)国家知识产权局
(12)发明专利申请充退磁控制器
(10)申请公布号 (43)申请公布日 (21)申请号 202210681167.3
(22)申请日 2022.06.15
(71)申请人 南京信息工程大学
地址 210044 江苏省南京市浦口区宁六路
219号
(72)发明人 胡昭华 王莹 林潇 刘浩男
(74)专利代理机构 南京经纬专利商标代理有限
公司 32200
专利代理师 田凌涛
(51)Int.Cl.
G06V 20/58(2022.01)
地磁指数预报
G06V 10/82(2022.01)
G06V 10/774(2022.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
(57)摘要
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
豆奶机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。权利要求书3页 说明书8页 附图4页CN 115116032 A 2022.09.27
C N 115116032
A
1.一种基于改进YOLOv5的交通标志检测方法，其特征在于，基于YOLOv5神经网络、以及包含分别对应预设各标签的交通图像的交通标志数据集，通过执行以下步骤A至步骤D，获得交通标志检测模型，之后针对目标交通标志样本图像，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；
步骤A：基于YOLOv5神经网络，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RCM模块，顺序连接的Focus模块、Conv模块、C3模块、Conv模块、C3模块、Conv模块、特征增强FEM模块、Conv模块、区域上下文RCM模块、特征增强FEM模块，构建为改进YOLOv5神经网络主干部分；
步骤B：基于YOLOv5神经网络，在YOLOv5神经网络的输出端部分之后增加CIoU‑NMS模块，构建以CIoU‑NMS模块为输出端的改进YOLOv5神经网络输出部分；
步骤C：依次顺序连接改进YOLOv5神经网络主干部分、YOLOv5神经网络颈部、改进YOLOv5神经网络输出部分，且改进YOLOv5神经网络主干部分的输出端连接YOLOv5神经网络颈部的输入端，YOLOv5神经网络颈部的输出端连接改进YOLOv5神经网络输出部分的输入端；构成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；
步骤D：基于交通标志数据集中预设数量的交通标志样本图像，以各个交通标志样本图像为输入、各个目标交通样本图像为输出针对改进YOLOv5的交通标志检测模型进行训练，获得改进YOLOv5的交通标志检测模型。
2.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，所述步骤A中，所述特征增强FEM模块包括卷积1、卷积2、卷积3卷积4卷积5、ADD模块、注意力模块SA、Concat模块M；
卷积1的输入端作为所述特征增强FEM模块的输入端、卷积1的输入端与卷积5的输入端相连；卷积1的输出端与卷积2的输入端、ADD模块的输入端分别相连；卷积2的输出端与卷积3的输入端相连，卷积3的输出端与注意力模块SA的输入端相连，注意力模块SA的输出端与ADD模块的输入端相连；ADD模块的输出端与卷积5的输出端、Concat模块的输入端相连；Concat模块M的输出端与卷积4的输入端相连，卷积4的输出端作为特征增强FEM模块的输出端。
3.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，所述步骤A中，所述区域上下文RCM模块包括卷积a、空洞卷积b、空洞卷积c、卷积d、卷积e、卷积f、卷积g、空洞卷积h、空洞卷积i、卷积j、Concat模块N
由卷积a作为输入端，卷积a的输出端与空洞卷积b的输入端、空洞卷积c的输入端、卷积d的输入端、卷积e的输入端分别相连；
所述空洞卷积b的输出端连接卷积f的输入端，所述空洞卷积c的输出端连接卷积g的输入端，所述卷积d的输出端连接空洞卷积h的输入端，所述卷积e的输出端连接空洞卷积i的输入端；
压脉带所述卷积f的输出端、卷积g的输出端、空洞卷积h的输出端、空洞卷积h的输出端与卷积a的输入端五者相连，并且与Concat模块N的输入端相连，Concat模块N的输出端与卷积j的输入端相连；卷积j的输出端作为区域上下文RCM模块的输出端。
4.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，所述
步骤B中的CIoU ‑NMS模块中，包括步骤B1至步骤B2；
步骤B1：按如下公式：电视制作
计算交通标志图像真实框与预测框的重叠度；其中，
IoU表示交通标志图像真实框与预测框的面积的交集与面积的并集之比，ρ2(b ,b gt )表
示交通标志图像真实框与预测框的中心点之间的欧式距离，c表示能够包含交通标志图像预测框和真实框的最小封闭区域的对角线距离，w gt 、h gt 分别代表交通标志图像真实框的宽度与高度，w 、h分别代表交通标志图像预测框的宽度与高度；步骤B2：按如下公式：
筛选交通标志图像检测框，其中，M i 表示预测分数
得分最高的一个预测框，B i 表示判断是否需要被移除的预测框，S i 表示分类分数，ε表示预设NMS的阈值。
5.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，还包括对改进YOLOv5的交通标志检测模型进行性能测试，获得总体样本检测的平均精确度mAP，小目标检测平均精度AP、小目标平均召回率AR，
具体为：根据如下公式计算：
其中，P指的是准确率，R指的是召回率,A指的是平均精度，AR为平均召回率，TP是预测为正样本实际是正样，TN预测为负样本实际是负样本，FP预测为正样本实际是负样本，FN预测为负样本实际是正样本；m是预设类别数量。
6.根据权利要求1所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，针对交通标志数据集，按照1:9的比例划分为测试集与训练集。
7.根据权利要求6所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，将训练集和测试集中所有交通标志图片进行统一为预设尺寸。
8.根据权利要求6所述的一种基于改进YOLOv5的交通标志检测方法，其特征在于，对训练集图片进行Mosic数据增强。
一种基于改进YOLOv5的交通标志检测方法技术领域
[0001]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
[0002]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。空气雾化喷嘴
[0003]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 ,et al.Rich Feature Hier
archies for Accurate Object Detection and Semantic Segmentation[C]//Proceedings of IEEE Conference on Computer Vision and Pattern 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。
[0004]由于交通标志目标较小、分辨率低，L i 等人(L i J ,L i a n g X ,W e i Y ,e t al.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 ,Yang H.Multi ‑scale traffic sign detection model with attention[J].Proceedings of the Institution of Mechanical Engineers ,Part D:Journal of Automobile Engineering ,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 for Traffic 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
[0005]本发明的目的在于：现有的算法在交通标志小目标中检测精度仍不够好，很容易
说 明 书
1/8页CN 115116032 A
