【技术实现步骤摘要】
本专利技术属于可见光通信和智能交通，特别涉及一种改进yolov8的车对车occ系统目标识别方法。
技术介绍
1、随着物联网的普及以及社交媒体和视频内容等数字服务的增长，对移动数据通信的需求正在过度增长。为了满足这种指数级增长的需求，应该增加带宽或提高频谱效率。然而，频谱效率的提高是缓慢的，无法满足这种永不满足的需求。开发新频谱成为一种独特的解决方案，并且需要更宽的太赫兹(thz)频谱带宽。在这种情况下，光无线通信(opticalwireless communication，owc)近年来因其许多理想的特性而引起了研究人员极大的研究兴趣，包括大量的可用光谱(从350nm到1550nm)，高能效，独立调节和良好控制的通信安全性。
2、可见光通信(visible light communications，vlc)作为一种光无线通信技术，被广泛研究其应用场景和方法。可见光相机通信(optical camera communication，occ)是vlc的一种，它使用带有图像传感器的相机作为接收器。occ具有几个独特的优势。首先，系统实现简单；其次，相机用于大多数智能设备，如智能手机、汽车和智能家居套件，因此，可以制造带有相机的通用设备作为occ系统的接收器；此外通过图像处理，加上信息系统的空间分离能力，可以有效抑制接收器中的噪声光源，这使occ成为室外通信类似于车辆对基础设施、车辆对车辆、车辆对行人等通信场景下的可行选择。
3、近几年，智能交通系统已成为研究热点。精确的车辆定位是支持安全驾驶、紧急制动、自主导航
4、occ技术被认为是目前面向自动驾驶通信技术的有力补充，但目前对occ的研究还不够成熟，并且现有研究中对occ系统目标识别方法主要分为两大类，一类是基于传统的图像识别方法，如连通域分析算法,fast角点检测算法,边缘检测算法等，这些算法通过单一地判断系统目标的形状、位置，以及亮暗程度来对目标进行识别；另一类则是利用深度学习的方式，利用深度学习的学习能力强，覆盖范围广，适应性好，数据驱动，上限高，可移植性好等优点，综合性地提取特征进行系统目标的识别，如mask rcnn,yolo等。图像识别部分采用传统图像处理算法，极易受二值化阈值的影响，且不能适应复杂环境背景。
5、yolo算法是一种在深度学习领域中的单阶段目标检测算法，广泛应用于目标的检测与识别，yolov8主要借鉴了yolov5、yolov6、yolox等模型的设计优点，yolov8是一个sota模型，它建立在yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的ancher-free检测头和一个新的损失函数，可在cpu到gpu的多种硬件平台上运行。虽然yolov8在occ系统目标识别中有良好的识别效果，但其识别能力仍有提升空间。
6、为进一步推进occ在自动驾驶汽车场景下的实际应用，改进后yolov8的车对车occ系统目标识别方法来解决复杂室外环境中led阵列的准确识别并在实测系统上完成相关技术验证很有必要。
技术实现思路
1、本专利技术为了克服现有技术存在的问题，本专利技术提供了一种改进yolov8的车对车occ系统目标识别方法。
2、本专利技术是采用如下技术方案实现的：
3、一种改进yolov8的车对车occ系统目标识别方法，获取原始图像数据，对原始图像数据进行预处理，获得预处理后的图像数据，将yolov8进行修改：将caifi替换骨干网中的sppf，将头部网络结合bifpn，更改bifpn权重函数同时将shape_iou损失函数作为头部网络构建改进yolov8的led阵列检测模型；将预处理后的图像输入至改进yolov8的occ系统目标检测模型中进行计算，获得led阵列检测结果，达到精确识别led阵列的目的，本方法的具体步骤如下：
4、步骤一、构建led阵列数据集：
5、过程(1)在室外环境下采集led阵列数据集；
6、在数据采集过程中，相机的位置保持不变，led阵列在距离相机0m-100m的范围内进行移动，同时led阵列中的某个或某些个可独立发光和熄灭的led灯会随机发光或熄灭，得到在不同距离和光照条件下的led阵列数据集，在采集的过程中，令led阵列在移动的过程中产生倾斜，模拟实际汽车行驶时候产生颠簸的现象，得到不同角度的led数据集；
7、过程(2)利用labelimg平台对得到的led阵列数据集进行人工锚框标注，标注信息由类别和位置两部分组成，标注led阵列的类别为“led array”；标注led阵列的真实位置坐标信息为(xmin,ymin,xmax,ymax)，将真实位置坐标信息以矩形框的形式绘制在采集到的图像上，记该矩形框为真实目标框，其中(xmin,ymin)表示led阵列的左上角坐标，(xmax,ymin)表示led阵列右上角坐标，(xmin,ymax)表示led阵列左下角坐标，(xmax,ymax)表示led阵列的右下角坐标；
8、过程(3)将标注好的数据集划分为训练集、验证集、测试集三部分，用于模型的训练和测试；其中，训练集占整个数据集的70％，用于训练模型并学习数据中的特征；验证集占整个数据集的20％，用于验证模型的性能和泛化能力，并对模型进行调整和优化；测试集占整个数据集的10％，用于评估模型的最终性能和准确率；
9、步骤二、对yolov8特征提取模块进行更改
10、采用三种不同的方式对不同位置的特征图(feature map)进行特征提取:
11、(1)基础的c2f模块进行特征提取
12、c2f模块由cbs卷积层、split层和bottleneck组成，bottleneck采用残差连接方式直接将输入led阵列与输出led阵列特征相加，缓解梯度消失与梯度爆炸问题，并且允许层与层之间的信息传递，避免出现深层网络退化现象；用c2f模块对车对车occ系统目标led阵列进行低层的特征提取；
13、(2)ec2f模块进行特征提取
14、ec2f模块由c2f模块和eca注意力机制组成，ec2f模块将c2f模块处理后的特征图进行全局平均池化，将空间维度压缩为1x1，得到一个通道维度的向量，得到的输出通过sigmoid激活函数：
15、
16、其中，x为全局平均池化处理后的输入的特征向量，压缩后的向量经过sigmoid激活函数处理后生成一个0到1之间的权重向量；将本文档来自技高网...
【技术保护点】
1.一种改进YOLOv8的车对车OCC系统目标识别方法，获取原始图像数据，对原始图像数据进行预处理，获得预处理后的图像数据，将YOLOv8进行修改：将CAIFI替换骨干网中的SPPF，将头部网络结合BIFPN同时将Shape_IoU损失函数作为头部网络构建改进YOLOv8的LED阵列检测模型；将预处理后的图像输入至改进YOLOv8的OCC系统目标检测模型中进行计算，获得LED阵列检测结果，达到精确识别LED阵列的目的，其特征在于，本方法的具体步骤如下：
【技术特征摘要】
1.一种改进yolov8的车对车occ系统目标识别方法，获取原始图像数据，对原始图像数据进行预处理，获得预处理后的图像数据，将yolov8进行修改：将caifi替换骨干网中的sppf，将头部网络结合bifpn同时将shape_i...
【专利技术属性】
技术研发人员：石文孝，尹孝萱，刘维，石迪，刘安祺，李芊，
申请(专利权)人：吉林大学，
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。