CN111274970A - 一种基于改进YOLO v3算法的交通标志检测方法 - Google Patents
一种基于改进YOLO v3算法的交通标志检测方法 Download PDFInfo
- Publication number
- CN111274970A CN111274970A CN202010068650.5A CN202010068650A CN111274970A CN 111274970 A CN111274970 A CN 111274970A CN 202010068650 A CN202010068650 A CN 202010068650A CN 111274970 A CN111274970 A CN 111274970A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- algorithm
- network
- resolution
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/582—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of traffic signs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进YOLO v3算法的交通标志检测算法,它通过设计一种具有维持高分辨率表征的特征提取网络替换原YOLO v3算法中的DarkNet‑53,提高对小尺寸目标交通标志的检测精度并降低了算法的参数量;通过融合参与预测的特征图增加检测算法对中小目标的关注;使用GIoU算法和focal loss算法优化损失函数。本发明对提高了对小尺寸交通标志的检测准确率,在复杂的交通道路上可以快速准确的检测并识别出交通标志。
Description
技术领域
本发明涉及一种计算机视觉技术和智能交通技术领域,尤其是一种交通标志图像识别方法,具体地说是一种基于改进YOLO v3算法的交通标志检测方法,它可以应用于高级辅助驾驶技术中的交通标志检测。
背景技术
近年来,随着科学技术的进步,为了减少交通事故带来的生命财产损失,高级辅助驾驶***日趋完善。交通标志检测技术作为高级辅助驾驶***中的重要部分,主要是通过车载摄像头获取汽车周边的路况信息,根据拍摄到的视频进行交通标志检测与识别,然后将识别的结果传送给驾驶员或者智能交通***中的其他部分,从而实现安全驾驶,保证驾驶员以及行人的安全。
交通标志的种类繁多且目标尺寸小,对交通标志的检测容易受到自然条件的影响,并且在实际应用中需要准确性与实时性均衡的交通标志检测算法。目前交通标志检测方法分为基于颜色、基于形状、基于机器学习以及基于深度学习的方法。基于颜色的交通标志检测容易受到自然条件下光照变化以及褪色的影响,并且复杂的背景也会给交通标志的检测带来干扰。当交通标志发生变形以及遮挡时都会给基于形状的检测方法带来干扰,因此基于形状的交通标志检测方法缺乏足够的稳定性。基于传统机器学习的检测方法过程较为复杂,需要人工设计特征描述符,并且对每一类的交通标志都需要训练一个分类器,识别精度低。深度学习技术可以自动的提取物体的特征,其在物体识别和图像处理等领域有较好的效果,现在被广泛运用在目标检测问题上。虽然基于深度学习的交通标志检测算法取得了检测精度上的提升,但是其模型较大,需要高性能的硬件来支持训练,模型在移动端上的部署较为困难,并且现有的算法对小尺寸目标的检测效果较差。
针对上面的描述,对交通标志检测的研究需要提高对小尺寸目标检测的精度,并且需要提高检测的速度。
发明内容
本发明的目的是针对现有的交通标示图像识别技术存在精度低,速度慢,尤其是难以应用到小尺寸交通标志识别中的问题,发明一种基于改进YOLO v3算法的交通标志检测算法,该算法极大的提高了交通标志检测的精度和速度。
本发明的技术方案是:
一种基于改进YOLO v3算法的交通标志检测方法,其特征是它包括以下几个步骤:
步骤1:准备数据集,对原始交通标志检测数据集进行预处理以降低原始图片的分辨率以及扩充数据集;将训练集以8:2的比例分为训练集和验证集。
步骤2:构建具有高分辨率表征的特征提取网络,通过不同尺度特征图的不断融合提高高层特征图的位置信息和低层特征图的语义信息,从而提高对小尺寸目标交通标志的检测精度;对该网络最后生成的高分辨率特征图进行降采样,从而生成用于预测目标的三种不同尺度的特征图;通过将特征提取网络中低分辨率子网络输出和高分辨率特征图降采样后的特征图融合以增加算法对中小目标检测的关注;使用GIoU算法作为边界框损失函数,使用Focal Loss降低预测框内正负样本的不平衡问题;对交通标志数据集使用聚类算法以设计符合交通标志检测的anchor尺寸。
步骤3:对改进后的YOLO v3算法进行训练,采用学习率预热的学习率设置策略;使用多尺度训练的方法以提高算法对不同尺度目标的检测精度;对交通标志图像进行随机裁剪、旋转的方法进行数据增广。
步骤4:使用训练获取的最佳模型对交通标志数据集进行测试获取测试集检测结果,并使用该模型对行车视频进行检测,获取视频检测结果。
所述步骤1中降低原数据集中图片分辨率的方法分为以下3个步骤:
(1)遍历每张图片中的交通标志,以每个交通标志相对于原图的位置为基准裁剪成512×512尺寸的图片。
(2)若在裁剪过程中存在交通标志被裁剪的情况,则计算被裁剪后的交通标志与原交通标志的面积比,当比值大于0.5时保留该交通标志,否则舍弃。
(3)对裁剪后的图片重新计算每个交通标志的坐标信息,生成新的注释文件。
所述步骤2中具有高分辨率表征的特征提取网络由头部网络、保持高分辨率网络两个部分组成。
头部网络由3层卷积层和1个残差模块组成,卷积层的卷积核数量都为64其中两层卷积运算的步长为2以达到降采样的目的;残差模块由3层卷积层组成,其中首尾卷积层的卷积层尺寸为1×1,其余为3×3。
保持高分辨率表征网络部分有四阶段,每个阶段都比上一个阶段多一条子网络,是通过步长为2的卷积运算实现的,相当于下采样。最后生成四条并行的网络,每一条网络的特征图和特征图的通道数保持不变,四条网络的特征图大小分别为128×128、64×64、32×32和16×16,对应的通道数分别为32、64、128和256。特征图在网络的传递过程中通过多尺度融合模块使高分辨率的表示能力更强,且加强了低分辨率的语义信息。多尺度融合模块通过上采样和下采样进行特征图的合并,该融合模块有两种形式,第一种为阶段内的交换融合该种形式交换后的网络个数不变;另一种则是阶段间的交换融合,经过该融合模块后将会增加一条子网,特征图的尺寸降低一倍且通道数翻倍。多尺度融合模块之间有4个残差模块,该残差模块由两层卷积层组成,卷积核的尺寸都为3×3。第一个阶段网络没有特征图融合模块,剩下的三个阶段分别有2个、2个和1个特征图尺度融合模块。最后输出是将低分辨率子网生成的特征图通过上采样后合并生成。
所述步骤2中将特征提取网络生成的特征图进行降采样,从而生成三种尺度的特征图,分别为64×64、32×32和16×16,并且将前两种尺寸的特征图和特征提取网络子网生成的相同尺寸特征图进行融合,从而增加算法对中小尺寸目标检测的关注。
所述步骤2中使用GIoU算法和Focal Loss优化损失函数,其中GIoU的计算公式如下:
LGIoU=1-GIoU
该公式的含义为:找到可以把A和B包含在内的最小封闭区域C,计算C中没有覆盖A和B的面积与C总面积的比值,最后用IoU减去这个比值,LGIoU则作为边界框损失函数。
Focal Loss的计算公式如下:
FL(pt)=-αt(1-pt)γlog(pt)
式中:γ取值为2,αt取值为0.25,p为模型预测样本为正的概率。
所述步骤2中使用k-means聚类算法对交通标志数据集中的交通标志的尺寸大小进行分类,共生成9种不同的尺寸,以此作为预测目标的anchor尺寸。
所述步骤3的训练策略中,学习率预热是指首先使用较低的学习率0.000001进行学习,经过两轮训练之后缓慢上升到0.0001;多尺度训练是每次将数据集原图放缩成为[320×320,352×352,384×384,416×416,448×448,480×480,512×512,544×544,576×576,608×608]尺度中的一种进行训练。
本发明与现有技术相比优点在于:
(1)本发明设计了一种具有高分辨率表征的特征提取网络,该网络的参数量更少且通过多次多尺度融合提高了所提取到特征的复杂性;特征图在该网络的传递过程中可以维持高分辨率的特征,增加了高层特征图的位置信息和低层特征图的语义信息,一定程度上解决了小尺寸目标在高层特征图上消失的问题。
(2)本发明通过融合参与预测的特征图增加检测算法对中小目标的关注,提高了算法对中小尺寸交通标志的检测精度。
(3)本发明针对交通标志检测重新设计了anchor尺寸,通过设计的数据集预处理策略缓解了样本类别不平衡的问题。
(4)本发明利用具有维持高分辨率表征的特征提取网络替换原YOLO v3算法中的DarkNet-53,解决了小尺寸目标的特征高层特征图消失的问题,增加高层特征图的位置信息和低层特征图的语义信息,从而使算法对交通标志的检测更加精确且降低算法的参数量和减少模型的大小;通过融合参与预测的特征图增加检测算法对中小尺寸目标的关注,使用GIoU算法和Focal Loss算法优化损失函数,进一步提高算法的检测精度。
附图说明
图1为数据集裁剪流程图。
图2为本发明设计的具有高分辨率表征的特征提取网络结构图,其中(a)为头部网络结构、(b)为一阶段网络、(c)为二阶段网络、(d)为三阶段网络、(e)为四阶段网络。
图3为本发明的改进的YOLO v3算法结构图。
图4为TT100K数据集交通标志的尺寸分布以及k-means聚类得到的9种anchor尺寸。
图5为本发明对图片的检测结果示例图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1-5所示。
一种基于改进YOLO v3算法的交通标志检测方法。作为示例,本实施方式采用清华大学制作的我国交通标志数据集(Tsinghua-Tencent 100K,简称TT100K),选用该数据集中出现超过100次的交通标志类别作为研究对象,训练集共有6103张图片,测试集有3067张图片。
本发明的实施步骤包含:
步骤1:数据集预处理。
交通标志目标小且在图片上的分布较为稀疏,为了降低正负样本的不平衡,将训练集原图进行裁剪,裁剪流程图如附图1,具体裁剪步骤如下:
(1)遍历每张图片中的交通标志,以每个交通标志相对于原图的位置为基准裁剪成512×512尺寸的图片。
(2)若在裁剪过程中存在交通标志被裁剪的情况,则计算被裁剪后的交通标志与原交通标志的面积比,当比值大于0.5时保留该交通标志,否则舍弃。
(3)对裁剪后的图片重新计算每个交通标志的坐标信息,生成新的注释文件。
裁剪后的训练集包含15484张图片,按照8:2的比例将训练集分为训练集和验证集。
步骤2:构建具有高分辨率表征的特征提取网络。
附图2为本发明设计的具有高分辨率表征的特征提取网络结构图,图中的平行四边形为残差模块。该网络由头部网络、保持高分辨率网络两个部分组成。
头部网络由3层卷积层和1个残差模块组成,卷积层的卷积核数量都为64其中两层卷积运算的步长为2以达到降采样的目的;残差模块由3层卷积层组成,其中首尾卷积层的卷积层尺寸为1×1,其余为3×3,如附图2(a)所示,其中平行四边形为残差模块。
保持高分辨率表征网络部分有四阶段,如附图2(b)、2(c)、2(d)和2(e)所示。每个阶段都比上一个阶段多一条子网络,是通过步长为2的卷积运算实现的,相当于下采样。最后生成四条并行的网络,每一条网络的特征图和特征图的通道数保持不变,四条网络的特征图大小分别为128×128、64×64、32×32和16×16,对应的通道数分别为32、64、128和256。特征图在网络的传递过程中通过多尺度融合模块使高分辨率的表示能力更强,且加强了低分辨率的语义信息。多尺度融合模块通过上采样和下采样进行特征图的合并,该模块有两种形式,第一种为阶段内的交换融合该种形式交换后的网络个数不变;另一种则是阶段间的交换融合,经过该模块后将会增加一条子网,特征图的尺寸降低一倍且通道数翻倍。多尺度融合模块之间有4个残差模块,该残差模块由两层卷积层组成,卷积核的尺寸都为3×3。第一个阶段网络没有特征图融合模块,剩下的三个阶段分别有2个、2个和1个特征图尺度融合模块。最后输出是将低分辨率子网生成的特征图通过上采样后合并生成。
步骤3:生成负责检测目标的特征图并且优化损失函数。
将步骤2中特征提取网络生成的特征图进行降采样,从而生成三种尺度的特征图,分别为64×64、32×32和16×16,并且将前两种尺寸的特征图和特征提取网络子网生成的相同尺寸特征图进行融合,从而增加算法对中小尺寸目标检测的关注,最后形成改进的YOLO v3算法结构,如附图3所示,图中红色框内的结构为本发明设计的特征提取网络。
使用GIoU算法作为边界框损失函数,使用Focal Loss降低预测框内正负样本的不平衡问题。
GIoU的计算方式如下:
LGIoU=1-GIoU
该公式的含义为:找到可以把A和B包含在内的最小封闭区域C,计算C中没有覆盖A和B的面积与C总面积的比值,最后用IoU减去这个比值,LGIoU则作为边界框损失函数。
Focal Loss的计算公式如下:
FL(pt)=-αt(1-pt)γlog(pt)
式中:γ取值为2,αt取值为0.25,p为模型预测样本为正的概率。
步骤4:设置anchor尺寸
根据交通标志数据集,使用k-means聚类算法对交通标志尺寸进行分类,获取9中尺寸的anchor,如附图4所示,类别对应的尺寸如表1。
表1
步骤5:模型的训练
模型训练采用学习率预热和多尺度训练策略,使用随机梯度下降算法进行求解,共训练50轮。学习率预热是指首先使用较低的学习率0.000001进行学习,经过两轮训练之后缓慢上升到0.0001;多尺度训练是每次将数据集原图放缩成为[320×320,352×352,384×384,416×416,448×448,480×480,512×512,544×544,576×576,608×608]尺度中的一种进行训练。
步骤6:模型的测试。
使用训练得到的最佳模型对交通标志数据集测试集进行测试,得到测试精度和测试速度结果,如图5所示。
本发明未涉及部分与现有技术相同或可采用现有技术加以实现。
Claims (8)
1.一种基于改进YOLO v3算法的交通标志检测方法,其特征在于,包括以下步骤:
步骤1:准备数据集,对原始交通标志检测数据集进行预处理以降低原始图片的分辨率以及扩充数据集;将训练集以8:2的比例分为训练集和验证集;
步骤2:构建具有高分辨率表征的特征提取网络,通过不同尺度特征图的不断融合提高高层特征图的位置信息和低层特征图的语义信息,从而提高对小尺寸目标交通标志的检测精度;对该网络最后生成的高分辨率特征图进行降采样,从而生成用于预测目标的三种不同尺度的特征图;通过将特征提取网络中低分辨率子网络输出和高分辨率特征图降采样后的特征图融合以增加算法对中小目标检测的关注;使用GIoU算法作为边界框损失函数,使用Focal Loss降低预测框内正负样本的不平衡问题;对交通标志数据集使用聚类算法以设计符合交通标志检测的anchor尺寸;
步骤3:对改进后的YOLO v3算法进行训练,采用学习率预热的学习率设置策略;使用多尺度训练的方法以提高算法对不同尺度目标的检测精度;
步骤4:使用训练获取的最佳模型对交通标志数据集进行测试获取测试集检测结果,并使用该模型对行车视频进行检测,获取视频检测结果。
2.根据权利要求1所述的方法,其特征在于,步骤1中降低原数据集中图片分辨率的方法分为以下3个步骤:
(1)遍历每张图片中的交通标志,以每个交通标志相对于原图的位置为基准裁剪成512×512尺寸的图片;
(2)若在裁剪过程中存在交通标志被裁剪的情况,则计算被裁剪后的交通标志与原交通标志的面积比,当比值大于0.5时保留该交通标志,否则舍弃;
(3)对裁剪后的图片重新计算每个交通标志的坐标信息,生成新的注释文件。
3.根据权利要求1所述的方法,其特征在于,步骤2中具有高分辨率表征的特征提取网络由头部网络、保持高分辨率网络两个部分组成;
头部网络由3层卷积层和1个残差模块组成,卷积层的卷积核数量都为64其中两层卷积运算的步长为2以达到降采样的目的;残差模块由3层卷积层组成,其中首尾卷积层的卷积层尺寸为1×1,其余为3×3;
保持高分辨率表征网络部分有四阶段,每个阶段都比上一个阶段多一条子网络,是通过步长为2的卷积运算实现的,相当于下采样;最后生成四条并行的网络,每一条网络的特征图和特征图的通道数保持不变,四条网络的特征图大小分别为128×128、64×64、32×32和16×16,对应的通道数分别为32、64、128和256。特征图在网络的传递过程中通过多尺度融合模块使高分辨率的表示能力更强,且加强了低分辨率的语义信息;多尺度融合模块通过上采样和下采样进行特征图的合并,该融合模块有两种形式,第一种为阶段内的交换融合,该种形式交换融合后的网络个数不变;另一种则是阶段间的交换融合;经过该融合模块后将会增加一条子网,特征图的尺寸降低一倍且通道数翻倍;多尺度融合模块之间有4个残差模块,该残差模块由两层卷积层组成,卷积核的尺寸都为3×3;第一个阶段网络没有特征图融合模块,剩下的三个阶段分别有2个、2个和1个特征图尺度融合模块;最后输出是将低分辨率子网生成的特征图通过上采样后合并生成。
4.根据权利要求1所述的方法,其特征在于,步骤2中将特征提取网络生成的特征图进行降采样,从而生成三种尺度的特征图,分别为64×64、32×32和16×16,并且将前两种尺寸的特征图和特征提取网络子网生成的相同尺寸特征图进行融合,从而增加算法对中小尺寸目标检测的关注。
6.根据权利要求1所述的方法,其特征在于,步骤2中使用k-means聚类算法对交通标志数据集中的交通标志的尺寸大小进行分类,共生成9种不同的尺寸,以此作为预测目标的anchor尺寸。
7.根据权利要求1所述的方法,其特征在于,步骤3的训练策略中,学习率预热是指首先使用较低的学习率0.000001进行学习,经过两轮训练之后缓慢上升到0.0001;多尺度训练是每次将数据集原图放缩成为[320×320,352×352,384×384,416×416,448×448,480×480,512×512,544×544,576×576,608×608]尺度中的一种进行训练。
8.根据权利要求1所述的方法,其特征在于,步骤4使用训练得到的最佳模型对测试集进行测试获取交通标志检测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068650.5A CN111274970B (zh) | 2020-01-21 | 2020-01-21 | 一种基于改进YOLO v3算法的交通标志检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010068650.5A CN111274970B (zh) | 2020-01-21 | 2020-01-21 | 一种基于改进YOLO v3算法的交通标志检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111274970A true CN111274970A (zh) | 2020-06-12 |
CN111274970B CN111274970B (zh) | 2023-04-07 |
Family
ID=71003273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010068650.5A Active CN111274970B (zh) | 2020-01-21 | 2020-01-21 | 一种基于改进YOLO v3算法的交通标志检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111274970B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723743A (zh) * | 2020-06-19 | 2020-09-29 | 北京邮电大学 | 一种小尺度行人快速检测方法 |
CN111753787A (zh) * | 2020-07-01 | 2020-10-09 | 江苏金海星导航科技有限公司 | 一种分离式的交通标志检测与识别方法 |
CN111832463A (zh) * | 2020-07-07 | 2020-10-27 | 哈尔滨理工大学 | 一种基于深度学习的交通标志检测方法 |
CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111862408A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种智能门禁控制方法 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112257793A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种基于改进YOLO v3算法的远距离交通标志检测方法 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112568629A (zh) * | 2020-12-11 | 2021-03-30 | 广州华洲信息科技有限公司 | 一种***在位识别方法 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN112712036A (zh) * | 2020-12-31 | 2021-04-27 | 广西综合交通大数据研究院 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN113343785A (zh) * | 2021-05-19 | 2021-09-03 | 山东大学 | 一种基于透视降采样的yolo地面标志检测方法、设备及存储介质 |
CN113723377A (zh) * | 2021-11-02 | 2021-11-30 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN113963333A (zh) * | 2021-11-15 | 2022-01-21 | 北京联合大学 | 一种基于改进yolof模型的交通标志牌检测方法 |
CN115019108A (zh) * | 2022-06-29 | 2022-09-06 | 重庆紫光华山智安科技有限公司 | 模型训练及帽子检测方法、装置、电子设备及存储介质 |
CN115272987A (zh) * | 2022-07-07 | 2022-11-01 | 淮阴工学院 | 一种基于MSA-Yolov5的恶劣天气下车辆检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
CN110378239A (zh) * | 2019-06-25 | 2019-10-25 | 江苏大学 | 一种基于深度学习的实时交通标志检测方法 |
-
2020
- 2020-01-21 CN CN202010068650.5A patent/CN111274970B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344821A (zh) * | 2018-08-30 | 2019-02-15 | 西安电子科技大学 | 基于特征融合和深度学习的小目标检测方法 |
CN110210362A (zh) * | 2019-05-27 | 2019-09-06 | 中国科学技术大学 | 一种基于卷积神经网络的交通标志检测方法 |
CN110378239A (zh) * | 2019-06-25 | 2019-10-25 | 江苏大学 | 一种基于深度学习的实时交通标志检测方法 |
Non-Patent Citations (2)
Title |
---|
SHEHAN P RAJENDRAN,ET AL.: "Real-Time Traffic Sign Recognition using YOLOv3 based Detector", 《IEEE XPLORE》 * |
潘卫国,等: "基于YOLO v3的交通标志牌检测识别", 《传感器与微***》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860160A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111862408A (zh) * | 2020-06-16 | 2020-10-30 | 北京华电天仁电力控制技术有限公司 | 一种智能门禁控制方法 |
CN111860160B (zh) * | 2020-06-16 | 2023-12-12 | 国能信控互联技术有限公司 | 一种室内检测口罩佩戴的方法 |
CN111723743A (zh) * | 2020-06-19 | 2020-09-29 | 北京邮电大学 | 一种小尺度行人快速检测方法 |
CN111753787A (zh) * | 2020-07-01 | 2020-10-09 | 江苏金海星导航科技有限公司 | 一种分离式的交通标志检测与识别方法 |
CN111832463A (zh) * | 2020-07-07 | 2020-10-27 | 哈尔滨理工大学 | 一种基于深度学习的交通标志检测方法 |
CN112132032A (zh) * | 2020-09-23 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 交通标志牌检测方法、装置、电子设备及存储介质 |
CN112257793A (zh) * | 2020-10-26 | 2021-01-22 | 大连理工大学 | 一种基于改进YOLO v3算法的远距离交通标志检测方法 |
CN112329658A (zh) * | 2020-11-10 | 2021-02-05 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN112329658B (zh) * | 2020-11-10 | 2024-04-02 | 江苏科技大学 | 一种对于yolov3网络的检测算法改进方法 |
CN113052200A (zh) * | 2020-12-09 | 2021-06-29 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN113052200B (zh) * | 2020-12-09 | 2024-03-19 | 江苏科技大学 | 一种基于yolov3网络的声呐图像目标检测方法 |
CN112568629A (zh) * | 2020-12-11 | 2021-03-30 | 广州华洲信息科技有限公司 | 一种***在位识别方法 |
CN112528934A (zh) * | 2020-12-22 | 2021-03-19 | 燕山大学 | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 |
CN112712036A (zh) * | 2020-12-31 | 2021-04-27 | 广西综合交通大数据研究院 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
CN112699900A (zh) * | 2021-01-05 | 2021-04-23 | 东北林业大学 | 一种改进YOLOv4的交通标志识别方法 |
CN113343785A (zh) * | 2021-05-19 | 2021-09-03 | 山东大学 | 一种基于透视降采样的yolo地面标志检测方法、设备及存储介质 |
CN113723377A (zh) * | 2021-11-02 | 2021-11-30 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN113723377B (zh) * | 2021-11-02 | 2022-01-11 | 南京信息工程大学 | 一种基于ld-ssd网络的交通标志检测方法 |
CN113963333B (zh) * | 2021-11-15 | 2022-05-31 | 北京联合大学 | 一种基于改进yolof模型的交通标志牌检测方法 |
CN113963333A (zh) * | 2021-11-15 | 2022-01-21 | 北京联合大学 | 一种基于改进yolof模型的交通标志牌检测方法 |
CN115019108A (zh) * | 2022-06-29 | 2022-09-06 | 重庆紫光华山智安科技有限公司 | 模型训练及帽子检测方法、装置、电子设备及存储介质 |
CN115272987B (zh) * | 2022-07-07 | 2023-08-22 | 淮阴工学院 | 一种基于MSA-Yolov5的恶劣天气下车辆检测方法及装置 |
CN115272987A (zh) * | 2022-07-07 | 2022-11-01 | 淮阴工学院 | 一种基于MSA-Yolov5的恶劣天气下车辆检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111274970B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274970B (zh) | 一种基于改进YOLO v3算法的交通标志检测方法 | |
CN108280460B (zh) | 基于改进卷积神经网络的sar车辆目标识别方法 | |
CN106203330A (zh) | 一种基于卷积神经网络的车辆分类方法 | |
CN110532946B (zh) | 一种基于卷积神经网络识别绿通车车辆轴型的方法 | |
CN108520212A (zh) | 基于改进的卷积神经网络的交通标志检测方法 | |
CN114495029B (zh) | 一种基于改进YOLOv4的交通目标检测方法及*** | |
CN110276247A (zh) | 一种基于YOLOv3-Tiny的行车检测方法 | |
CN110263731B (zh) | 一种单步人脸检测*** | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
CN113780132A (zh) | 一种基于卷积神经网络的车道线检测方法 | |
CN113159024A (zh) | 一种基于改进YOLOv4的车牌识别技术 | |
CN108960175A (zh) | 一种基于深度学习的车牌识别方法 | |
CN113239753A (zh) | 基于YOLOv4改进的交通标志检测与识别方法 | |
CN115187844A (zh) | 基于神经网络模型的图像识别方法、装置及终端设备 | |
CN111950583A (zh) | 一种基于gmm聚类的多尺度识别交通信号标志的方法 | |
CN114519819B (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
Cai et al. | Vehicle Detection Based on Deep Dual‐Vehicle Deformable Part Models | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN111178153A (zh) | 一种交通标志检测方法及*** | |
Xu et al. | License plate recognition system based on deep learning | |
CN104966109A (zh) | 医疗化验单图像分类方法及装置 | |
CN114067126A (zh) | 一种红外图像目标检测方法 | |
CN117058459A (zh) | 基于yolov7算法的路面病害快速检测方法及*** | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
CN110598650A (zh) | 车牌虚警过滤方法、装置及电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |