【技术实现步骤摘要】
本专利技术属于目标检测，具体涉及基于眩光环境下的交通标志检测方法。
技术介绍
1、强烈的阳光是交通安全中的重要环境影响因素，特别是在日常驾驶中对驾驶者视线的干扰，对道路安全具有显著的负面影响。当太阳位于低角度时，刺眼的阳光穿透汽车遮阳板，可能导致驾驶者的视觉传感器(包括眼睛或摄像头)短暂失效，进而影响交通标志及其他道路信息的识别能力，增加交通事故的风险。
2、近年来，随着自动驾驶技术的发展，目标检测算法在交通领域的应用受到了广泛关注。自动驾驶系统通过实时识别道路上的物体，如交通标志，能够有效提升驾驶安全。然而，复杂的眩光环境会使图像质量下降，导致目标检测算法性能受限，增加了交通标志检测的技术难度。如何提高在眩光条件下交通标志的检测精度，是当前自动驾驶技术研究中的一个重要挑战。
3、交通标志检测方法通常可以分为三类：传统图像处理方法、基于机器学习的方法以及基于深度学习的方法。传统图像处理方法如：hough变换(用于检测圆形、直线等形状)颜色阈值法(hsv、ycrcb空间分割交通标志颜色)，轮廓检测和匹配。其计算量小，实时性强，适合低算力设备。但是对光照变化、遮挡和复杂背景敏感，易受天气、光照和噪声影响。基于机器学习的方法，通过提取特征后，使用传统机器学习模型进行分类。如hog(方向梯度直方图)+svm(支持向量机)，在简单环境中有较高的检测精度。但是特征提取需要大量人工干预，且不够灵活。基于深度学习的方法，利用卷积神经网络(cnn)自动学习特征，实现端到端的交通标志检测和识别。如yolo系列(yolov4、
技术实现思路
1、本专利技术的目的是提供基于眩光环境下的交通标志检测方法，能够利用基于轻量化和高精度检测，实现实时的眩光下的交通标志检测。
2、本专利技术所采用的技术方案是，基于眩光环境下的交通标志检测方法，具体按照以下步骤实施：
3、步骤1，数据预处理：采用mosaic数据增强技术，将数据集中多张图像拼接生成新的图像样本，并将数据集分为训练集和测试集；
4、步骤2，设计交通标志检测模型yolo-sfm，具体包括backbone模块和head模块；
5、步骤3，将训练集图像以及对应的图片标签输入搭建好的交通标志检测模型yolo-sfm中进行训练，直至收敛；
6、步骤4，将测试集图像输入训练完成的交通标志检测模型yolo-sfm中，输出检测结果，该结果包括交通标志的类别标签、边界框坐标以及置信度分数。
7、本专利技术的特点还在于，
8、步骤1中，具体为：
9、步骤1.1，从数据集随机选取四张图像，记为i1，i2，i3，i4，其中每张图像的大小为w×h；然后对图像进行缩放：将选取的图像按照比例α,β分别缩放为新的尺寸；之后进行图像拼接，将四张图像分别放置在一个空白图像imosaic的四个象限中；
10、同时调整标注框：对于每张原始图像对应的标注框b＝(xmin,ymin,xmax,ymax)，根据图像缩放比例和拼接位置调整为新标注框b′＝(x′min,y′min,x′max,y′max)，调整公式如下式所示；
11、x′＝αx+xoffset，y′＝βx+yoffset
12、其中xoffset，yoffset为拼接图像的偏移量；
13、步骤1.2：将拼接完成的图像imosaic进行归一化处理，确保像素值在模型训练所需的范围内，并将所有标注框记录在新的标注文件中；并将最终生成的mosaic图像分为训练集和测试集。
14、步骤2中，具体为：
15、步骤a，利用backbone模块处理图像；
16、步骤b，利用head模块来融合backbone提取的不同尺度特征，这些特征通过进一步的卷积操作进行融合，以适应不同大小的目标检测需求。
17、步骤a中，具体为：
18、步骤a1，将步骤1中训练集mosaic图像经过一个标准的卷积层，卷积层采用大小为3的卷积核进行降采样操作，增加通道数保持特征图尺寸不变，卷积层步幅为1，输出通道数为64的特征图；再使用spdconv处理特征图；再次经过卷积层，卷积核大小为3，步幅为1，输出通道数仍然为128；最后再次使用spdconv对特征图进行处理，最终输出特征图的尺寸为b×128×160×160；
19、spdconv处理特征图的具体过程为：输入特征图尺寸为b×64×640×640，其中b为批次大小，64是输入通道数，640×640是空间尺度，通过spd重排将每个2×2的像素块重排为通道维度，通道数从64增加为64×4＝256，空间尺寸减半；对重排后的特征图x′进行标准卷积，卷积核大小为1×1，步幅s＝1，对卷积输出进行批归一化，然后应用silu激活函数进行处理，最终输出特征图的大小为b×128×320×320；至此，spd卷积处理完毕；
20、步骤a2，通过三次fasterblock处理特征图；
21、具体为：将输入的特征图按通道维度分为两个64通道的块，每个分块将经过fasterblock处理，即对于每个分块，其形状保持b×64×160×160，输出的特征图形状仍然是b×64×160×160，经过处理的两个分块会在通道维度上拼接，即将两部分特征图拼接成b×128×160×160的特征图；最后，通过一个1×1卷积，最终输出的特征图b×128×160×160。
22、步骤a3，将步骤a2得到的特征图经过mlca模块处理；
23、具体为：将特征图通过自适应平均池化，得到局部特征图，对得到的局部特征图进行进一步池化，得到全局特征图，将局部特征展平并通过1d卷积进行变换，使用卷积层进行特征提取；将全局特征展平后，通过1d卷积，使用卷积层进行特征提取，对局部特征和全局特征使用sigmoid激活函数生成局部注意力图和全局注意力图；使用加权融合策略，结合局部和全局注意力图；将输入特征图与融合后的注意力图进行逐元素相乘，输出最终的特征图，输出特征图仍为b×128×160×160；
24、步骤a4，将步骤a3得到的特征图经过卷积层处理，卷积层步幅为1，输出通道数为256的特征图，空间尺寸保持不变；
25、步骤a5，使用spdconv层对特征图进行处理，spdconv层通过空间到深度的转换，将空间尺寸减半，同时将通道数增加4倍，然后通过卷积降维回256通道，输出特征图的大小为b×256×80×80。
26、步骤a6，使用6次fasterblock对步骤a5中的特征图进行处理，fas本文档来自技高网...
【技术保护点】
1.基于眩光环境下的交通标志检测方法，其特征在于，具体按照以下步骤实施：
2.如权利要求1所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤1中，具体为：
3.如权利要求1所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤2中，具体为：
4.如权利要求3所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤a中，具体为：
5.如权利要求4所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤b中，具体为：
6.如权利要求5所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤3中，具体为：
7.如权利要求6所述的基于眩光环境下的交通标志检测方法，其特征在于，采用精度P、召回率R、F1分数、mean average precision mAP精度评价模型检测的准确性；以下为评价指标表达式：
8.如权利要求7所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤4中，具体为：
【技术特征摘要】
1.基于眩光环境下的交通标志检测方法，其特征在于，具体按照以下步骤实施：
2.如权利要求1所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤1中，具体为：
3.如权利要求1所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤2中，具体为：
4.如权利要求3所述的基于眩光环境下的交通标志检测方法，其特征在于，所述步骤a中，具体为：
5.如权利要求4所述的基于眩光环境下的交通标志检测方法，其...
【专利技术属性】
技术研发人员：王峰萍，白杰，刘宝宝，薛海伟，
申请(专利权)人：西安工程大学，
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。