[发明专利]一种基于YOLOv3的交通标志检测与识别方法

说明书

本发明公开了一种基于YOLOv3的交通标志检测与识别方法，该方法首先按照VOC格式制作交通标志数据集；然后对VGG16网络进行改进，修改第一层全连接层节点数目，删去第二层全连接层，在网络中添加残差层，将激活函数ReLU换为PReLU，将网络中所有的Max pooling改为stochastic pooling，并用改进后的网络替换YOLOv3中的darknet53网络；最后使用改进后的YOLOv3对数据集进行训练，并用训练好的模型检测交通标志。本发明可以根据需求制作数据集，检测图片视频及摄像头中的交通标志，并且检测速度快，准确率高，改善了小目标交通标志检测效果不好的问题。

技术领域

本发明涉及计算机视觉、深度学习技术领域，尤其涉及一种基于YOLOv3的交通标志检测与识别方法。

背景技术

交通标志检测与识别作为高级驾驶辅助系统(ADAS)中重要的组成部分，在自动驾驶和辅助驾驶中起着很大作用。交通标志检测与识别需要做到准确检测出图片、视频和摄像头中的所有交通标志，为驾驶员及ADAS提供正确的信息，以便两者做出正确的反应。但是目前的检测算法的检测精度和速度都无法达到要求。

传统的交通标志检测基于交通标志的形状和颜色进行对目标检测与识别或者使用传统的机器学习方法提取特征进行识别，尽管都可以做到检测交通标志的效果，但是由于道路环境复杂多变，在不同光照、干扰物遮挡、小目标检测和物体本身扭曲等情况，这两种方法漏检率极高。

深度学习的出现尤其是卷积神经网络的出现，相较于几何结构和子空间布局特征，极大地改善了物体检测与识别的效果。目前主流的深度学习检测算法有Faster RCNN(faster region with CNN features)、SSD(Single Shot MultiBox Detector)和YOLO(You Only Look Once)。最新的YOLO v3版本有着相对其他算法最快的检测速度和高检测识别率。YOLOv3的基础网络darknet53在上一代darknet19的基础上加了大量的卷积层以及残差网络，牺牲了一定的检测速度提高了检测准确率，但是显然对于检测交通标志来说该网络过于复杂。

发明内容

发明目的：本发明提供一种基于YOLOv3的交通标志检测与识别方法，在保证检测的高准确率的前提下，提高了检测速度。

技术方案：本发明所述的一种基于YOLOv3的交通标志检测与识别方法，包括以下步骤：

(1)制作交通标志数据集；

(2)对VGG网络进行改进：删去第二层全连接层，修改第一层全连接层的结点数目，在每一层的池化之前都加入残差网络；将VGG网络中的激活函数替换为PReLU函数；使用stochastic pooling代替VGG16中的Max pooling；

(3)将YOLOv3中的darknet53网络换成改进后的VGG网络作为基础网络；

(4)使用改进后的模型对数据进行训练，直至训练过程中模型输出日志中loss变量不再降低；

(5)使用训练好的模型对交通标志进行检测。

步骤(1)所述的数据集为VOC格式。

步骤(2)所述的第一层全连接层的结点数目为512。

步骤(2)所述的残差网络为两层卷积核为3x3的残差网络。

步骤(2)所述的PRelu函数的数学表达式为：

式中，x_i表示输入的值，下标i表示输入的值的不同通道，α由训练自学习得到。

有益效果：与现有技术相比，本发明的有益效果：相比原YOLOv3，本发明检测准确率更高、检测速度更快，也改善了小目标交通标志的检测效果。