[发明专利]基于改进Yolov3的获取道路交通信息方法

说明书

本发明涉及一种基于改进Yolov3的获取道路交通信息方法，从已有道理交通信息图像中选取训练样本；建立Yolov3模型，采用了非线性映射将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，从而提高了检测算法的准确性和鲁棒性；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，兼具检测速度的同时提高了检测精度。实验结果表明，改进后的Yolov3模型克服了原始模型提取的特征过于单一问题，提高了检测速度。

技术领域

本发明涉及一种目标检测技术，特别涉及一种基于改进Yolov3的获取道路交通信息方法。

背景技术

随着计算机视觉相关技术的不断发展与创新，目标检测算法在自动驾驶领域取得了重大进展，行人、车辆、道路线等各类道路目标检测算法应运而生。此外，随着深度学习近年来的迅猛发展，越来越多的深度学习模型开始广泛应用于计算机视觉的各项技术中。

深度卷积神经网络由于能够自主完成对目标特征的学习，提取关键信息，因而具有较强的鲁棒性。近年来，基于卷积神经网络的深度学习得到迅速发展，主要分为两类：一类是R-CNN、Fast R-CNN、Faster R-CNN等基于目标候选框思想的two-stage检测算法，需要先使用启发式方法(selective search)或者CNN网络(RPN)产生Region Proposal，然后再在Region Proposal上做分类与回归，虽然精度很高，但速度非常慢。另一类是基于Yolo(You Only Look Once)、SSD(Single Shot Multi-box Detector)这类算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置，拥有更高的检测速度。但现有的Yolov3模型提取的特征过于单一，导致在识别时的精准度不高。

发明内容

本发明是针对深度卷积神经网络运用到视觉识别检测存在的问题，提出了一种基于改进Yolov3的获取道路交通信息方法。

本发明的技术方案为一种基于改进Yolov3的获取道路交通信息方法，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。

优选的：所述步骤3)实现的具体方法如下：