[发明专利]一种具有高精度且轻量的限高杆检测算法

说明书

本发明属于计算机视觉目标检测领域，涉及一种具有高精度且轻量的限高杆检测算法。本发明利用构造的可变形模块对YOLOv5s检测器进行改进，实现了对场景中的限高杆实时地检测。本发明利用真实的限高杆数据集进行评估实验，最终得到了优于基线YOLOv5s的检测精度。

技术领域

本发明属于计算机视觉目标检测领域，涉及一种具有高精度且轻量的限高杆检测算法。

背景技术

限高杆是交通道路上一种常见的用来限制行驶车辆高度的交通装置。在行驶过程中由于驾驶人员错误地估计限高杆的高度甚至疲劳驾驶没有注意到前方的限高杆，从而导致了很多交通事故的发生。另外，很多限高杆测高算法还不完善，这些算法的第一步往往就是需要检测出并且定位到场景中的限高杆。因此，非常有必要设计一种高效的限高杆检测算法，当发现场景中存在限高杆时自动确定限高杆的位置并对驾驶员加以提醒，这样可以一定程度上避免很多交通事故的发生。

目标检测任务是计算机视觉领域中基础且重要的研究方向之一，目的在于检测出图像中的目标位置以及类别。该任务广泛应用用无人驾驶系统和机器人交互系统。然而，现在目标检测研究的内容更多的集中在行人检测、标志牌检测以及车辆检测上，限高杆检测还没有得到太多的关注。因此，本发明针对限高杆检测这一空缺做了一些研究。近些年卷积神经网络的出现推动目标检测任务取得进一步的发展。基于卷积神经网络的目标检测器可以根据是否需要区域建议网络(Region Proposal Network)分为两阶段检测器与单阶段检测器。两阶段检测器由于需要生成区域建议，往往有非常复杂的网络结构并且比较慢的推理速度，一般很难达到实时性的要求。而单阶段的检测器网络结构一般都比较简单且推理速度较快。YOLO(You Only Look Once)系列作为突出的单阶段检测算法，完美地平衡了检测精度与速度之间的关系。其最新的版本YOLOv5更是达到了更快的推理速度，而且使用Pytorch框架对用户友好，更容易集成投入生产。进一步，YOLOv5中的YOLOv5s模型具有最好的轻量性以及最快的推理速度。

据我们所知，目前还没有基于学习的且可以达到实时性的限高杆检测算法。因此本发明针对交通道路上限高杆的检测问题，提出一个基于可变形卷积的可变形模块以及基于该可变形模块的YOLOv5s检测优化算法。构造的可变形模块可以嵌入到YOLOv5s检测器的Backbone中，对YOLOv5s检测器进行改进，使之服务于智能交通以及自动驾驶系统中道路限高杆的检测任务。

发明内容

本发明首先基于可变形卷积构造了可变形模块，该模块可以替换普通卷积通过调整卷积核的位置完成一种更加灵活的、更加适应物体几何的卷积操作。然后将可变形模块嵌入到YOLOv5s检测器的Backbone中，对YOLOv5s检测器进行改进，使之服务于智能交通以及自动驾驶系统中道路限高杆的检测任务。实验表明，改进的YOLOv5s在限高杆检测问题上可以达到很好的检测效果。

本发明的技术方案如下：

提出了一种具有高精度且轻量的限高杆检测算法，该算法基于YOLOv5s和可变形卷积进行设计与改进，具体的设计特色为：

与传统的YOLOv5s检测网络不同，本发明的Backbone部分利用基于可变形卷积的可变形模块提取基础特征。可变形模块通过灵活地调整卷积核的采样位置，并与低层特征进行融合，从而得到更加适应物体几何的特征表示，提高Backbone提取的基础特征的质量。

一种具有高精度且轻量的限高杆检测算法，步骤如下：

步骤S1：在输入端，对输入图像做Mosaic数据增强并将处理后的图像缩放至统一大小，比如640×640。

步骤S2：将步骤S1的结果输入到Backbone中，依次经过各模块提取基础特征。Backbone包括基于可变形卷积构造的可变形模块。

步骤S3：将经过Backbone得到的特征图输入到Neck中进一步处理得到大、中、小三种不同尺度的特征。