(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210312559.2 (22)申请日 2022.03.28 (71)申请人 武汉工程大 学 地址 430074 湖北省武汉市洪山区雄楚大 街693号 (72)发明人 张小雪　黄巍　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 黄帅 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06V 20/58(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进Tiny-YOLOv4的交通标志检测方法 (57)摘要 本发明公开了一种基于改进T iny‑YOLOv4的 交通标志 检测方法， 包括以下步骤： S1、 获取交通 标志检测的图像训练集和图像验证集； S2、 改进 Tiny‑YOLOv4目标检测网络 结构， 包括： 改进特征 金字塔网络： 改用尺度更大的预测特征层， 并对 其进行多尺度特征融合； 改进主干特征提取网 络： 引入跨阶段局部网络和空间金字塔池化， 将 主干特征提取网络的最后一层卷积层的卷积核 大小由3×3大小改为1 ×1大小； S3、 使用聚类算 法对图像训练集和图像验证集进行聚类 分析， 得 到适合的anchor框尺寸； S4、 训练； S5、 利用训练 后的改进Tiny ‑YOLOv4进行交通标志检测。 相比 较现有的交通标志检测算法， 本发 明可以在保证 检测速度快和模型内存容量低的前提下提高检 测精度， 能够满足 实际应用的需求。 权利要求书1页 说明书6页 附图4页 CN 114842310 A 2022.08.02 CN 114842310 A 1.一种基于改进 Tiny‑YOLOv4的交通标志检测方法， 其特 征在于， 包括以下步骤： S1、 获取交通标志检测的图像训练集和图像验证集； S2、 改进Tiny‑YOLOv4目标检测网络结构， 包括： 改进特征金字塔网络： 改用尺度更大的预测特征层， 并对其进行多尺度 特征融合， 从最 深层次的特征图开始， 依 次将其上采样与上一层特征图进行特征融合， 融合深层特征和浅 层特征； 改进主干特征提取网络： 引入跨阶段局部网络和 空间金字塔池化， 用跨阶段局部网络 替换原网络的第二层， 将空间金字塔池化加入到主干特征提取网络的最后一层卷积层前， 最后将主干特 征提取网络的最后一层卷积层的卷积核大小由3 ×3大小改为1 ×1大小； S3、 使用聚类算法对图像训练集和图像验证集进行聚类分析， 得到适合的anchor框尺 寸； S4、 利用图像训练集和图像验证集， 对改进后的Ti ny‑YOLOv4目标检测网络进行训练； S5、 利用训练后的改进 Tiny‑YOLOv4进行交通标志检测。 2.根据权利要求1所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 删 除原尺度为13 ×13和26×26的预测特 征层， 改用52 ×52和104×104的预测特 征层。 3.根据权利要求1所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 目 标框的坐标回归损失采用CIOU损失： 式中， IOU是IOU(ture,pre)， 表示真实框和预测框的交并比； ρ2(b,bgt)表示预测框和真 实框的中心点的欧式距离， b代表预测框， bgt代表真实框； c表示同时包含预测框和真 实框的 最小闭包区域的对角线距离； α 和 υ 的公式如下： 式中， W和h分别表示预测框的宽度和高度， wgt和hgt分别表示真实框的宽度和高度。 4.根据权利要求1所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 训 练完成后， 利用测试集测试改进后的Ti ny‑YOLOv4目标检测网络， 获取评价指标。 5.根据权利要求4所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 评 价指标包括： 检测准确率、 召回率、 F1值、 平均检测精度mAP、 检测速度FPS以及模型内存容 量。 6.根据权利要求1所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 交 通标志包括指示标志、 警告标志、 禁止标志。 7.根据权利要求1所述的基于改进Tiny ‑YOLOv4的交通标志检测方法， 其特征在于， 聚 类算法包括K ‑means。权　利　要　求　书 1/1 页 2 CN 114842310 A 2基于改进Tiny ‑YOLOv4的交通标志检测方 法 技术领域 [0001]本发明属于图像检测技术领域， 具体涉及一种基于改进Tiny ‑YOLOv4的交通标志 检测方法。 背景技术 [0002]交通标志检测系统是智能驾驶的一个重要组成部分， 通过搭载在汽车上面的摄像 头实时对交通道路场景进行拍摄， 并将拍摄到的图片传入检测系统进行交通标志检测， 为 驾驶员提供有效的道路交通信息。 提前预测前方的交通信息可以使驾驶员及时地做出判 断， 增加其反应时间， 降低交通事故 发生的机率。 [0003]交通标志检测方法主要分为传统检测方法和深度学习方法。 传统检测方法需要人 工设计特征， 耗费时间长， 检测精度不高， 并且需要高质量的图像， 很难达到实际应用场景 的需求。 基于深度学习的交通标志检测 算法可以分为两类， 基于候选区域的交通标志检测 算法和基于回归的交通标志检测算法。 基于候选区域的检测算法属于两阶段算法， 其首先 需要筛选出候选区域， 然后提取候选区域的特征， 最后进行分类和定位。 基于回归的交通标 志属于一阶段算法， 省略了生成候选区域的步骤， 直接使用卷积神经网络提取特征， 完成对 目标的分类和定位。 这两类算法各有优缺点， 两阶段算法检测和定位效果好， 但是检测耗时 长， 一阶段算法检测速度快， 可以达 到多类别检测， 但是检测精度相较于 两阶段算法略差 。 [0004]虽然深度学习广泛应用于交通标志检测领域， 也取得了很多的成就。 但是， 至今没 有兼顾交通标志检测精度高、 检测速度快、 模型内存容量小三方面要求的检测算法。 所以要 综合考虑检测精度、 检测速度以及 模型内存容量三方面的要求， 尽量满足实际应用的需求， 设计出一个 检测精度高、 检测速度快、 模型内存容 量小的交通标志检测算法。 发明内容 [0005]本发明的目的在 于， 提供一种基于改进Tiny ‑YOLOv4的交通标志检测方法， 兼顾交 通标志检测精度高、 检测速度快、 模型内存容 量小三方面要求。 [0006]为实现上述目的， 本 发明提供了一种基于改进Tiny ‑YOLOv4的交通标志检测方法， 包括以下步骤： [0007]S1、 预处理图像信息， 形成图像训练集、 图像验证集以及图像测试集； [0008]S2、 改进Tiny‑YOLOv4的网络结构： [0009]改进特征金字塔网络， 改用尺度更 大的预测特 征层， 并对其进行多尺度特 征融合； [0010]改进主干特征提取网络， 引入跨阶段局部网络和空间金字塔池化， 将主干特征提 取网络的最后一层卷积层的卷积核大小由3 ×3大小改为1 ×1大小； [0011]S3、 使用K ‑means聚类算法对图像训练集和图像验证集进行聚类分析， 生成更适合 交通标志目标的anc hor框； [0012]S4、 利用图像训练集和图像验证集， 对改进后的Tiny ‑YOLOv4目标检测网络进行训 练；说　明　书 1/6 页 3 CN 114842310 A 3