[发明专利]一种基于改进YOLOF模型的交通标志牌检测方法

说明书

本发明公开了一种基于改进YOLOF模型的交通标志牌检测方法，包括：对采集的交通标志牌样本进行增广，将增广完成后的数据集输入改进的YOLOF网络模型进行训练；对训练的改进的YOLOF网络模型进行检测，检测结果合格则结束检测。通过多种增广方式对样本集进行增广，减少了采集成本的同时还获得了大量样本，并提升了模型的鲁棒性和在无人驾驶复杂场景中交通标志牌的检测性能，通过使用改进的YOLOF模型对交通标志牌进行检测，不仅解决了复杂场景下交通标志牌的漏检误检问题，而且提高了无人驾驶环境中交通标志牌检测速度。

技术领域

本发明涉及自动驾驶控制技术领域，特别是涉及一种基于改进YOLOF模型的交通标志牌检测方法。

背景技术

目标检测是计算机视觉领域最重要的任务之一，通常应用于自动驾驶领域。自动驾驶作为未来科技发展的一个方向，成为近年来的研究热点。交通标志检测是自动驾驶领域感知模块的重要一环，它可以自动识别并标注交通标志，将结果传输给自动驾驶决策模块，以确保车辆能够按照交通规则安全行驶。

在深度神经网络出现之前，交通标志检测通常采用基于特征提取的方法，如颜色和形状等特征。尺度不变特征变换(Scale-invariant feature transform，SIFT)和方向梯度直方图(Histogram of Oriented Gradient,HOG)常被应用于支持向量机(SupportVector Machine,SVM)进行交通标志检测。这类算法可以自动检测和识别交通标志。但因其检测时间长，检测精度低等不足，无法满足自动驾驶系统在实际交通场景下应用的需求。

随着卷积神经网络(Convolutional Neural Networks,CNN)的快速发展，基于深度学习的算法以其优异的性能迅速取代了传统的基于机器学习的交通标志检测。与传统的目标检测算法相比，基于卷积神经网络的目标检测算法具有强大的泛化能力，可以自动学习目标深层次的语义信息。基于深度卷积网络的交通标志检测一般有以下三种方式：一阶段方法，如YOLO系列和SSD；两阶段检测，如Region-based CNN系列(R-CNN、Fast R-CNN、Faster R-CNN等)；和多阶段检测，如Cascade R-CNN。两阶段和多阶段因其需在特征层生成建议框，再通过建议框进行分类和定位，所以具有精度高但速度慢的特点。一阶段目标检测方法将目标框的识别和定位任务一次性预测完成，在牺牲一定精度的前提下大幅度提高检测速度。实时性是自动驾驶中必须具备的特点之一，因此在保证速度符合自动驾驶实时性要求的同时提高一阶段检测方法的精度更有实用价值。

然而，复杂场景无人驾驶环境下的交通标志牌检测会受到照明变化、恶劣天气以及一些与交通标志相似的其他图形等因素造成干扰，以上交通标志算法都会出现漏检误检问题，故本领域亟需提供一种足以解决上述问题的方法。

发明内容

本发明的目的是提供一种基于改进YOLOF模型的交通标志牌检测方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了如下方案：

本发明提供一种基于改进YOLOF模型的交通标志牌检测方法，包括：

对采集的交通标志牌样本进行增广，将增广完成后的数据集输入改进的YOLOF网络模型进行训练；

对训练的所述改进的YOLOF网络模型进行检测，检测结果合格则结束检测。

可选的，对采集的交通标志牌样本进行增广的过程中包括：

通过旋转增强、光照增强和遮挡增强对采集的所述交通标志牌样本进行增广。

可选的，将增广完成后的数据集输入改进的YOLOF网络模型进行训练之前，所述方法还包括：

构建所述改进的YOLOF网络模型，所述改进的YOLOF网络模型包括主干网络、编码器和解码器；