[发明专利]一种基于小目标特征增强的交通标志检测方法

说明书

本发明公开了一种基于小目标特征增强的交通标志检测方法，主要包括以下步骤：构建交通标志数据集并进行数据增强；针对数据集中检测目标尺寸小，使用K‑means++聚类算法得到先验框并且使用非线性的聚类距离；根据数据集中显现的小目标居多的问题针对性的对网络结构进行优化；根据数据正负样本失衡严重的问题针对性的优化算法的损失函数，实现对目标的动态加权。本发明是在城市街景场景中实现交通标志检测，通过对算法的网络结构以及损失函数等改进，增强目标的细粒度特征等，可实现小目标检测召回与精度的提升，此方法对小尺寸居多的交通标志检测有较高的准确率。

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于小目标特征增强的交通标志检测方法。

背景技术

随着人工智能技术的快速发展，智能驾驶行业也发展迅速，特别是深度学习的发展使得车辆在感知、定位等方面取得了巨大的成功。

交通标志包含重要的道路交通信息，属于车辆环境感知的重要一部分，交通标志的检测准确率是算法可以实际部署到车辆上一个重要的衡量指标。

在现有的检测方法中，重要分为两类。第一类是以Faster-Rcnn为代表的two-stage检测算法，该类算法将整个检测过程分为两部分，第一步是训练RPN网络，第二步是训练目标区域检测的网络。第二类是以SSD和Yolo为代表的one-stage检测算法，该类检测算法直接通过主干网络给出类别和位置信息。two-stage算法虽然精度相较与one-stage算法高，但其速度达不到实时性的要求，而Yolov5作为Yolo系列的最新版本，在检测速度和精度上都有很好的表现，但由于交通标志数据集中小目标居多且正负样本失衡严重，造成Yolov5在交通标志数据集TT100K上检测效果表现欠佳。

发明内容

本发明目的就是为了弥补已有技术的缺陷，提供一种基于小目标特征增强的交通标志检测方法。

本发明是通过以下技术方案实现的：

一种基于小目标特征增强的交通标志检测方法，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。

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，使用目标复制的方法进行数据增强。

所述的使用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。