[发明专利]基于优化算法的改进交通标志检测模型

说明书

本发明公开了基于优化算法的改进交通标志检测模型，包括以下步骤：步骤一：建立GHO‑YOLOx算法模型，算法模型中包含哈里斯鹰优化算法、搜索阶段以及围捕阶段；步骤二：模型仿生优化，仿生优化包含灰狼优化算法、包围猎物、狩猎以及开发与勘探；本发明通过在HHO算法的基础上引入GWO算法，GWO算法中存在信息反馈机制，及能够自适应调整的收敛因子，能够实现全局搜索与局部寻优间的平衡，可以改善HHO算法的搜索能力。利用改进仿生优化算法GHO，降低YOLOx‑s网络模型参数设置的复杂度，给出最优解，提高模型的准确率，该算法利用改进优化算法GHO来降低YOLOx‑s网络模型参数设置的复杂度，提高模型的准确率给出最优解。

技术领域

本发明属于交通标志检测技术领域，具体涉及基于优化算法的改进交通标志检测模型。

背景技术

近些年来，随着国内经济的快速发展和基础建设的逐步完善，越来越多的家庭拥有私家车，人们的出行方式越来越多样化，辅助驾驶系统就此应运而生。在辅助驾驶系统中，对于交通标志的检测尤为重要。国内对于交通标志的检测方法主要有两种：基于人系列为主，有Mask R-CNN、Faster R-CNN和Cascade R-CNN[1-4]等。one-stage检测算法在分类之前不需要获取候选区域，主要以YOLO系列为主。该系列目标检测算法具有高时效性、高准确性和轻量性。基于人工提取特征的交通标志检测方法的优点是检测速度快且简单方便，缺点是因由于周围环境复杂，该方法的检测精度难以满足实际驾驶情况的要求。

传统的交通标志检测算法利用混合优化算法GHO来改进YOLOx-s网络的模型。YOLOx-s网络对于交通标志的检测有较高的精度，但对于初始权值、阈值过于依赖，GHO是混合了HHO算法和GWO算法的一种仿生优化算法。HHO算法虽然具有参数较少、搜索效率和收敛精度高、适用于解决高维度多极值问题等优点，但是其在低维问题上的搜索精度较差，且过于依赖现有个体，可能会导致算法陷入局部最优解、过早收敛等情况。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供基于优化算法的改进交通标志检测模型，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于优化算法的改进交通标志检测模型，包括以下步骤：

步骤一：建立GHO-YOLOx算法模型，算法模型中包含哈里斯鹰优化算法、搜索阶段以及围捕阶段；

步骤二：模型仿生优化，仿生优化包含灰狼优化算法、包围猎物、狩猎以及开发与勘探；

步骤三：YOLOx网络，通过YOLO目标检测算法对现场交通标志和路障检测；

步骤四：GHO-YOLOx算法，混合HHO算法和GWO算法进行改进；

步骤五：模型检测实验，实验内容包含数据集、实验环境、实验有效性以及实验结果分析；

步骤六：实验结果分析，结果分析包含不同环境下的检测结果对比、不同算法对比。

优选的，所述步骤一中，基于野兔逃逸能量E的变化，哈里斯鹰的狩猎行为将发生转化，野兔逃逸能量E的公式如下式(1)：

公式(1)中，E₀∈[-1,1]，t为当前的迭代次数。

优选的，所述步骤一中，当野兔逃逸能量|E|＞1时，哈里斯鹰群处于搜索阶段，针对发现野兔和未发现两种情况，生成一个随机数q，当q≥0.5时，哈里斯鹰还未发现野兔的位置。两种情况的搜索方式如下式(2)