【技术实现步骤摘要】
本专利技术涉及交通标志检测，具体地说是一种基于yolov5的交通标志检测方法、设备及介质。
技术介绍
1、近年来，以新能源汽车为主体的智能网联汽车行业呈现快速增长态势。一个完备且安全的智能网联的汽车控制系统是智能车辆研究和发展的一个重要方向，能够辅助驾驶甚至实现无人驾驶，有效地保障驾驶安全，提升驾驶体验，减少交通事故，提高交通效率。交通标志识别系统(trafficsignrecognitions ystem,tsrs)作为车辆控制系统领域中的一个重要组成部分，近年来受到学界和工业界的广泛关注。
2、传统的交通标志的检测主要依靠手工设计的传统特征，如交通标志的形状和颜色等，根据分类目标提取图像合适的特征，然后用提取的特征训练机器学习分类器，分类器离线训练好之后，便可以用来对待识别图像进行分类。手工设计的特征往往无法适应复杂的驾驶环境，多阶段的特征提取和分类导致计算量巨大，在识别的精度和速度上都无法满足实际的需求。得益于计算机硬件的提升和深度学习的发展，大量的优秀的目标检测算法不断被提出并成功的运用于交通标志的检测和识别。
3、基于深度学习的目标检测算法主要分为两阶段(twostage)算法(如，rcnn、fastrcnn、faster-rcnn)和一阶算法(one-stage)(如，ssd、yolo)两类。在交通标志的识别中提出了一种三尺度嵌套残差结构的交通标志快速检测算法，并在交通标志检测数据集上进行试验，指示、禁令、警告三大类交通标志f1分数分别为92.41％、93.91％、92.03％，检测时间为5.
4、针对实际复杂道路环境下，交通标志像素小而密集导致的检测定位精度较低，漏检率较高。故如何提高小目标检测精度，降低漏检率，进而提升交通标志的检测性能是目前亟待解决的技术问题。
技术实现思路
1、本专利技术的技术任务是提供一种基于yolov5的交通标志检测方法、设备及介质，来解决如何提高小目标检测精度，降低漏检率，进而提升交通标志的检测性能的问题。
2、本专利技术的技术任务是按以下方式实现的，一种基于yolov5的交通标志检测方法，该方法具体如下：
3、利用遗传算法和k-means算法对先验锚点框进行优化，增强小目标的检测准确度；
4、引入bi-fpn结构实现语义和位置信息的特征融合，提升网络的表征能力；
5、通过集成注意力机制gam增强网络在复杂环境中的抗干扰性和特征提取能力；
6、采用siouloss作为边框回归损失函数，提高定位准确性。
7、作为优选，bi-fpn结构是采用加权双向特征金字塔网络bi-fpn，引入可学习的权重衡量不同输入特征的重要性，平衡不同尺度的特征信息，同时重复应用自顶向下和自底向上的多尺度特征融合；
8、其中，加权双向特征金字塔网络bi-fpn公式如下：
9、
10、其中，p表示融合后的特征层；pi表示不同的特征层；ωi是一个可学习的权重参数；参数ε＝0.0001，避免除零导致的数值计算问题；通过加权双向特征金字塔网络bi-fpn的自我学习能够在不同特征层提取关键信息，促进特征融合；
11、bi-fpn结构中，多个加权双向特征金字塔网络bi-fpn能够融合来自多个地层的特征，如第13层，第17层、第21层，第25层，并通过网络训练权重平衡语义和位置信息，从而提高目标的分类和定位准确率。
12、更优地，注意力机制gam是通过观察图像的全局信息，提取感兴趣的关键信息，抑制或过滤掉无用的背景和冗余信息，提高信息处理效率和提取关键信息的准确率。
13、更优地，gam注意力机制包括通道注意力子模块和空间注意力子模块；
14、其中，通道注意力子模块使用三维排列再三个维度上保留信息，用一个两层的多层感知器mlp放大跨维通道-空间依懒性；其中，对于输入的特征图，先进行维度转换，再将经过维度转换的特征图输入到多层感知器mlp中，再转换为原来的维度，并进行sigmoid处理后输出最终的特征图；
15、空间注意力子模块使用两个卷积层进行空间信息融合，删除池化层对空间位置信息的损失影响，利用通道缩减和7*7的卷积减少通道数量，在减少计算量的同时专注于对于空间维度信息的提取。
16、更优地，边框回归损失函数包括分类损失(classificationloss)、目标置信度损失(objectloss)和定位框bbox回归损失(boundingboxregressionloss)；
17、其中，定位框bbox回归损失采用完全交并比损失函数(complete-iouloss,ciouloss)实现目标框预测，公式如下：
18、lciou＝1-ciou；
19、
20、其中，b，bgt表示预测框和真实框；ρ表示预测框和真实框的中心点坐标的欧式距离；c表示同时包含预测框和真实框的最小闭包区域的对角线距离；wgt、hgt表示真实框框的宽度和高度；w、h表示预测框的宽度和高度；v表示预测框和真实框长宽比例差值的归一化；α为平衡因子，用于平衡长宽比例造成的损失和iou部分造成的损失。
21、更优地，边框回归损失函数引入siou损失函数，siou损失函数用于真实框与预测框之间的向量角度，重新定义惩罚指标；
22、siou损失函数包括角度损失(anglecost)、距离损失(distancecost)、形状损失(shapecost)及iou损失(ioucost)；
23、其中，角度损失具体如下：
24、
25、其中，∧表示角度损失；(bcx，bcy)为预测框中心点坐标；(bcxgt，bcygt)为真实框中心点坐标；σ表示真实框和预测框中心点的距离；ch为真实框和预测框中心点的高度差；
26、距离损失公式如下：
27、δ＝σt＝x,y(1-e-rρt)；
28、
29、r＝2-∧；
30、其中，δ表示距离损失；cw和ch为真实框和预测框最小外接矩阵的宽和高；
31、形状损失公式如下：
32、
33、
34、其中，ω表示形状损失；w,h,wgt,hgt分别为预测框和真实框的宽和高；θ为超参数，控制对形状损失的关注程度，为了避免过于关注形状损失而降低对预测框的移动；
35、最终siou损失函数公式如下：
36、
37、一种电子设备，包括：存储器和至少一个处理器；
38、其中，所述存储器上存储有计算机程序；
39、所述至少一个处理器执行所述存储器存储的计算机程序，使得所述至少一个处理器执行如上述的基于yolov5的交通标志检测本文档来自技高网...
【技术保护点】
1.一种基于YOLOv5的交通标志检测方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于YOLOv5的交通标志检测方法，其特征在于，Bi-FPN结构是采用加权双向特征金字塔网络Bi-FPN，引入可学习的权重衡量不同输入特征的重要性，平衡不同尺度的特征信息，同时重复应用自顶向下和自底向上的多尺度特征融合；
3.根据权利要求1或2所述的基于YOLOv5的交通标志检测方法，其特征在于，注意力机制GAM是通过观察图像的全局信息，提取感兴趣的关键信息，抑制或过滤掉无用的背景和冗余信息，提高信息处理效率和提取关键信息的准确率。
4.根据权利要求3所述的基于YOLOv5的交通标志检测方法，其特征在于，GAM注意力机制包括通道注意力子模块和空间注意力子模块；
5.根据权利要求4所述的基于YOLOv5的交通标志检测方法，其特征在于，边框回归损失函数包括分类损失、目标置信度损失和定位框bbox回归损失；
6.根据权利要求5所述的基于YOLOv5的交通标志检测方法，其特征在于，边框回归损失函数引入SIoU损失函数，SIoU损失函
7.一种电子设备，其特征在于，包括：存储器和至少一个处理器；
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至7中任一项所述的基于YOLOv5的交通标志检测方法。
...【技术特征摘要】
1.一种基于yolov5的交通标志检测方法，其特征在于，该方法具体如下：
2.根据权利要求1所述的基于yolov5的交通标志检测方法，其特征在于，bi-fpn结构是采用加权双向特征金字塔网络bi-fpn，引入可学习的权重衡量不同输入特征的重要性，平衡不同尺度的特征信息，同时重复应用自顶向下和自底向上的多尺度特征融合；
3.根据权利要求1或2所述的基于yolov5的交通标志检测方法，其特征在于，注意力机制gam是通过观察图像的全局信息，提取感兴趣的关键信息，抑制或过滤掉无用的背景和冗余信息，提高信息处理效率和提取关键信息的准确率。
4.根据权利要求3所述的基于yolov5的交通标志检测方法，其特征在于，gam注意力机制...
【专利技术属性】
技术研发人员：王帅，马小勇，李占述，
申请(专利权)人：浪潮通信信息系统天津有限公司，
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。