[发明专利]基于改进Yolov3的获取道路交通信息方法

权利要求书

1.一种基于改进Yolov3的获取道路交通信息方法，其特征在于，具体包括如下步骤：

1)从已有道理交通信息图像中选取训练样本；

2)建立识别网络：主干网络是Darknet-53网络，引入多尺度特征融合，选择输出为5种不同尺度的特征图，除顶层特征图外，其余特征图均融合相邻下层特征图的特征信息；

3)采用了非线性映射将步骤1)训练样本映射到高维度空间中，在高维度空间进行K-means值聚类计算，对样本进行优化，使用最终生成的聚类结果计算符合本网络模型使用的anchors值，获得新的anchors值，将新的anchors值替换原始Yolov3模型中的数据集参数；

4)利用高斯分布特性对每个边界框进行损失函数计算，增加对边界框准确度的判断；

5)训练后的改进Yolov3模型对车辆、行人和信号灯进行检测，得到检测结果。

2.根据权利要求1所述基于改进Yolov3的获取道路交通信息方法，其特征在于，所述步骤3)实现的具体方法如下：

采用了非线性映射θ，将样本p_i，i＝1,2,...,l映射到高维度空间G中，即样本为θ(p₁)，…，θ(p_i)，...，θ(p_l)，其中p_i∈R^N,i＝1,2,...l；根据Mercer定理存在映射：θ:R^N→R^G使得核函数N(p_i,p_j)＝θ(p_i)^Tθ(p_j)；设在R^G空间中，把样本分为K类，m_k为第k类的均值，k＝1,2,...,K；在高维度空间进行K-means值聚类操作，将函数最优化，目标函数为：

其中，minJ为最小化误差平方和；θ(p_i)为高维度空间G中第i个样本；

m_k可由下式得到：

l_k为第k类的样本数；

在核空间中，计算两个特征点的核距离：

将聚类得到的所有样本子集进行合并，则样本子集的并集中包含了K个目标类别计算其均值：

其中α为簇，α_k为第k个质心，即簇的最小化J的最佳质心是簇中各点的均值；在核空间中，计算两个特征点的核距离，再将聚类得到的所有样本子集进行合并，则样本子集的并集中包含了K个目标类别计算其均值，计算任意两个类均值间的距离为：其中dist为任意两个类均值间的距离，代表任意两个不同类均值；

若两个目标类别均值之间的距离小于预先设定的阈值，则将这两个目标类别合并为一个类；再继续通过上式计算类均值的距离，经过对样本子集的并集进行合并，得到最终的K-means值聚类结果；使用最终生成的聚类结果计算符合本模型使用的anchors值，将新的anchors值替换原始Yolov3模型中的数据集参数。