【技术实现步骤摘要】
基于改进YOLOv5的复杂天气下小交通标志目标检测方法
[0001]本专利技术涉及交通标志检测
,特别是指一种基于改进YOLOv5的复杂天气下小交通标志目标检测方法,可以在无人驾驶、目标检测等领域应用。
技术介绍
[0002]近年来,随着人工智能技术的不断发展与完善,目标检测算法在无人驾驶、视频索引等领域得到了广泛的应用。无人驾驶车辆在行驶过程精准检测并识别道路场景中的车辆、交通标识牌、信号灯等是十分重要的。城市道路中的交通标识包含了丰富的导航信息,能够指示、警示驾驶员的驾驶行为。精准地检测并识别交通标识对提高道路驾驶安全有十分重要的意义,是智能驾驶的重要组成部分。
[0003]世界各国的交通标志都遵循颜色醒目、形状规则的明确设计标准。但在实际应用中,对交通标志检测精度、可靠性和实时性的要求仍然很高,是一项具有挑战性的任务。有三个主要困难要克服。第一个是交通标志检测是一种微小物体检测,这种微小的物体通常只有很少的像素,携带有限的信息,并带来很多噪音。因此,微小的物体带来了特征提取的挑战。第二个困难来自于复杂的天气情况,容易导致误检和漏检。复杂的天气情况干扰包括可变光照、极端天气(如雨、雪或雾)等。最后,交通标志的类别总是不平衡的,因为在现实中,有些标志是常用的,而有些则很少使用。
[0004]在深度学习被广泛应用前,以往的交通标志识别任务中通常使用基于颜色、形状和机器学习的方法进行检测和分类。大部分方法使用基于AdaBoost二进制分类器和循环霍夫变换的颜色分割对交通标志进行检测,该方法准确率较 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于改进YOLOv5的复杂天气下小交通标志目标检测方法,其特征在于,其步骤如下:S1:加载交通标志图像的数据集,并对数据集中的图像进行数据增强;S2:构建改进的YOLOv5网络模型,并设置模型输入参数;S3:利用数据增强后的交通标志图像数据对改进的YOLOv5网络模型进行训练,得到检测模型;S4:利用检测模型对待识别的图像进行预测,输出交通标志的位置以及交通标志所属的类别。2.根据权利要求1所述的基于改进YOLOv5的复杂天气下小交通标志目标检测方法,其特征在于,所述数据增强方法包括随机水平翻转、随机垂直翻转、随机平移和随机裁剪。3.根据权利要求1所述的基于改进YOLOv5的复杂天气下小交通标志目标检测方法,其特征在于,所述改进的YOLOv5模型的网络结构为:Conv
‑
I的输入端用于接收输入图像,Conv
‑
I的输出端与CBS
‑
I的输入端相连接,CBS
‑
I的输出端与CSP1_1的输入端相连接,CSP1_1的输出端分别与CBS
‑
II的输入端、Concat
‑
III的输入端相连接,CBS
‑
II的输出端与CSP1_3
‑
I的输入端相连接,CSP1_3
‑
I的输出端分别与CBS
‑
III的输入端、Concat
‑
IV的输入端相连接,CBS
‑
III的输出端与CSP1_3
‑
II的输入端相连接,CSP1_3
‑
II的输出端分别与CBS
‑
IV的输入端、Concat
‑
V的输入端相连接,CBS
‑
IV的输出端与SPP的输入端相连接,SPP的输出端与CSP2_1
‑
I的输入端相连接,CSP2_1
‑
I的输出端与CA的输入端相连接,CA的输出端与CSB
‑
V的输入端相连接,CSB
‑
V的输出端分别与Upsample
‑
I的输入端、Concat
‑
VI的输入端相连接,Upsample
‑
I的输出端与Concat
‑
I的输入端相连接,Concat
‑
I的输出端与CSP2_1
‑
II的输入端相连接,CSP2_1
‑
II的输出端与CBS
‑
VI的输入端相连接,CBS
‑
VI的输出端分别与Upsample
‑
II的输入端、Concat
‑
IV的输入端相连接,Upsample
‑
II的输出端与Concat
‑
技术研发人员:渠慎明,杨鑫钰,刘苏晨,周华飞,段佳乐,逯勇勇,
申请(专利权)人:河南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。