[发明专利]一种基于小目标特征增强的交通标志检测方法

权利要求书

1.一种基于小目标特征增强的交通标志检测方法，其特征在于：具体包括以下步骤：

构建交通标志数据集并进行数据增强；

优化构建Anchor Box的聚类算法；

优化网络结构增强交通标志细粒度特征；

优化网络结构增强交通标志通道特征；

针对正负样本失衡严重设计损失函数；

对改进后的交通标志检测算法进行效果评估。

2.根据权利要求1所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的构建交通标志数据集并进行数据增强，具体内容如下：选取公开数据集TT100K作为研究对象，通过对数据集进行分析，包括数据集中目标尺寸以及每张图像中目标个数进行统计，得到数据集中正负样本失衡的特点；针对分析得到的数据集正负样本失衡严重问题，使用小目标复制的方法进行数据增强。

3.根据权利要求2所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的使用小目标复制的方法进行数据增强，具体内容如下：

首先根据数据集的label文件裁剪数据集中所有尺寸小于50*50的目标；其次根据类别统计每类目标的数量，得到n₁，n₂，n₃，......，n₄₅，即每类目标的数量，以及被裁剪下的目标的总数n；进一步计算得到n_i与n之间的差值m_i，即m_i＝n-n_i，对所有的m_i做归一化，即计算m＝Σm_i，p_i＝m_i/m，每一个概率p_i都占据(0，1)中的一段区间，在选择目标进行复制时，选取一个(0，1)之间的随机数r，r落在了哪个概率区间，即选择哪一类目标进行复制。

4.根据权利要求1所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的优化构建Anchor Box的聚类算法，具体内容如下：使用K-means++聚类算法对标注文件中的目标尺寸聚类，得到9个Anchor box，其聚类距离公式为：

其中，S_center表示当前该聚类中心的面积，S_box表示当前待分类的框的面积。

5.根据权利要求1所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的优化网络结构增强交通标志细粒度特征，具体如下：通过引入BiFPN结构，在进行不同尺寸特征图融合时，考虑不同尺寸特征包含的信息对最终结果的影响程度不同，引入的加权融合的方法去融合细粒度特征明显的底层特征图。

6.根据权利要求1所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的优化网络结构增强交通标志通道特征，具体如下：引入SE结构，首先是将该层尺寸为W*H*C的特征图输入进行压缩操作，即做一个全局平均池化，得到一个1*1*C的向量，接下来在对该向量进行激励操作，先在得到的1*1*C向量后接一个全连接层，再接一个激活函数层，然后再接一个全连接层，恢复输入的通道个数，最后再叠加一层激活函数层，最终输出一个1*1*C的向量，代表该层各通道的权重向量；最后对输入的特征图进行scale操作，即将上一步得到的1*1*C的权重向量与输入特征图进行通道权重相乘，得到该层的输出。

7.根据权利要求1所述的一种基于小目标特征增强的交通标志检测方法，其特征在于：所述的针对正负样本失衡严重设计损失函数，具体如下：所述的损失函数分为定位损失、置信度损失和分类损失；定位损失衡量了预测框和真实框之间的差异；置信度损失衡量了判断该预测框是否有目标的准确性；分类损失衡量了算法是否对图像中的目标正确分类。