[发明专利]一种基于改进VFNet算法的交通标志检测方法

说明书

本专利公开了一种基于改进VFNet算法的交通标志检测方法。其包含如下步骤：(1)准备交通标志检测数据集，交通标志检测数据集包含训练集和测试集两个部分，并对交通标志检测数据集进行格式转换，转换为MSCOCO格式；(2)搭建改进后的VFNet网络模型；(3)使用改进后的VFNet网络在交通标志检测数据集的训练集进行训练，保存最优的模型；(4)将测试集输入训练保存的最优模型中进行测试，验证改进后的模型的检测效果。本发明改进的VFNet网络能够提升交通标志检测的检测精度。

技术领域

本发明涉及计算机视觉、目标检测、交通标志检测领域，具体涉及一种基于改进VFNet算法的交通标志检测方法。

背景技术

近年来，为了提高行车安全性，许多研究人员和组织开始开发智能交通系统以提高行车安全性。交通标志检测系统是智能交通系统的重要组成部分，通过算法和传感器检测驾驶员前方的道路交通标志，并及时反馈给驾驶员，尽可能提高驾驶安全性。道路交通标志的检测是现阶段研究的热点。

目前，交通标志检测算法主要分为两大类：传统的交通标志检测算法和基于深度学习的交通标志检测算法。传统的交通标志检测算法主要包括基于颜色和基于形状的检测方法。然而，交通标志的颜色和形状特征易受外界环境因素的影响，传统的交通标志检测算法大多误检率高、泛化能力差，对交通标志的检测效果不佳。

深度学习的出现为交通标志检测提供了一种新的方法。目前，深度学习在交通标志检测领域取得了显著成果。基于深度学习的目标检测算法根据是否预设anchor可分为anchor-based算法和anchor-free算法。anchor-free算法和anchor-based算法相比，超参数数量较少，使用更加方便。anchor-based的算法包括SSD、RetinaNet、Faster R-CNN、Libra R-CNN、Dynamic R-CNN、PAA等，anchor-free算法包括CenterNet、FCOS、VFNet、RepPoints等。与传统检测算法不同，基于深度学习的交通检测算法通过构建深度神经网络来学习交通标志的特征，将交通标志数据样本和标签输入到深度神经网络中，通过深度神经网络提取特征。网络的参数在训练过程中不断更新，使得算法能够学习到各种交通标志的特征，避免了传统的交通标志检测算法存在的泛化能力较差的问题。

发明内容

为解决交通标志检测的效果不佳的问题，本发明提供一种基于改进VFNet算法的交通标志检测方法，提升交通标志的检测精度。

为实现上述目的，本发明采用的技术方案如下：

一种基于改进VFNet算法的交通标志检测方法，包含如下步骤：

步骤1：准备交通标志检测数据集，交通标志检测数据集包含训练集和测试集两个部分，并对交通标志检测数据集进行格式转换，转换为MS COCO格式；

步骤2：改进VFNet网络模型；

步骤2.1：在VFNet的主干网ResNet50的最后一层后面加入设计的SPPFTransformer模块，用于从多种不同的感受野中获取大量的上下文信息；

步骤2.2：在VFNet的检测头的分类分支加入一个跳跃连接，绕过3个3×3卷积、Group Normalization层、ReLU激活函数，然后和3个3×3卷积、Group Normalization层、ReLU激活函数后的特征相加，相加后使用一个ReLU激活函数增强网络的非线性能力，提升网络对于较小尺寸的交通标志的检测能力；

步骤3：将训练集输入经步骤2改进后的VFNet网络进行训练，并保存最优的模型；

步骤4：将测试集输入训练保存的最优模型中进行测试，验证改进后的模型的检测效果。