[发明专利]一种面向交通标志目标检测领域的数据增强方法

说明书

本发明公开了一种面向交通标志目标检测领域的数据增强方法，该方法通过对交通标志数据集中数量较少的类别针对性地级联多个数据增强方法进行数据增强，解决了数据集中类别分布的长尾问题，同时使训练出的模型可以应对道路场景中复杂的实际情况；本发明针对每种类别使用不同的数据增强策略，使得数据增强算法生成的图片在丰富交通标志样本特征的同时不破坏交通标志本身的重要特征，提高了模型在各种复杂应用场景下的准确率；使用模拟退火算法搜索最佳的数据增强超参数组，在广大的超参数空间中搜索到最优的超参数解。

技术领域

本发明涉及计算机视觉和目标检测技术领域，特别是涉及一种面向交通标志目标检测领域的数据增强方法。

背景技术

在计算机视觉目标检测领域，基于深度学习的目标检测算法通过对数据集的学习获得推理出图片中目标的位置以及类别的能力。最新的基于深度学习的目标检测模型如YOLOv5、Mask RCNN等算法在众多数据集上表现优秀，但是为了防止在训练过程中产生过拟合现象，需要大量的数据进行训练才能发挥出算法的效果。由于现实世界中不同类别的交通标志出现概率不同，很多交通标志数据集会有比较严重的样本不均衡问题，模型无法在样本数量少的交通标志类别上达到较高的准确率，所以需要一种方法解决交通标志数据集中的长尾问题。

对于长尾问题，一般采用数据增强重采样的方法解决，常用的数据增强方法有几何变换、色彩空间变换、卷积核滤波、多图融合等。这些数据增强方法对于行人、车辆等目标可以增大样本量，但是对于交通标志，其颜色和形状带有非常重要的特征信息，不适当的数据增强策略会对其特征造成破坏从而导致模型在训练中产生欠拟合，例如将左转向指示牌进行水平翻转则会与右转向指示牌产生混淆。同时交通标志牌在图片中的位置分布也是一种重要的特征，使用不适当的数据增强方法使交通标志出现在不应当出现的位置也会降低模型的准确率。

综上，在面向交通标志的目标检测领域，需要一种新的数据增强方法来适应复杂的实际应用场景。

发明内容

有鉴于此，本发明的目的在于提供一种面向交通标志目标检测领域的数据增强方法，用以在解决长尾问题的同时不破坏检测目标的重要特征，通过这种数据增强方法提升在复杂的道路交通场景下模型的鲁棒性。

为了实现上述目的，本发明采用如下技术方案：

一种面向交通标志目标检测领域的数据增强方法，包括如下步骤：

步骤S1、获取交通标志数据集，并且对该数据集进行数据分析，统计出数据集中各个样本类别在数量上的分布，然后将小样本类别中包含的每一张图像与数据集中的其他图像建立随机匹配关系，其中，所述小样本类别中的图像数量低于阀值的样本类别为所述小样本类别；

步骤S2、对所述小样本类别的图像进行裁剪操作，裁剪出图像中的交通标志，并对交通标志进行第一数据增强操作，然后将经过了第一数据增强操作后的交通标志进行第二数据增强操作，所述第二数据增强操作具体为根据所述步骤S1中建立的随机匹配关系，以及概率的约束，将经过了第一数据增强操作后的交通标志嵌入到被匹配的图像中，然后再对被嵌入的图像进行第三数据增强操作；

步骤S3、随机生成超参数，通过该超参数来控制所述步骤S2中的第一数据增强操作、第二数据增强操作和第三数据增强操作，然后获取并使用经过数据增强后的交通标志数据集对目标检测模型进行训练以及测试，最后获得目标检测模型在各个样本类别上的平均识别准确率；

步骤S4、通过模拟退火算法进行迭代计算，对所述超参数进行更新，直到获取最优超参数。

进一步的，所述交通标志数据集为德国交通标志检测数据集GTSDB。

进一步的，在所述步骤S1中，所述阀值为所述交通标志数据集中包括的图像总数的10％。