本發(fā)明屬于道路交通圖像處理，具體涉及一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法。

背景技術(shù)：

1、近年來，隨著科技的飛速發(fā)展，無人駕駛技術(shù)和輔助駕駛技術(shù)取得了顯著進(jìn)展。這些技術(shù)的應(yīng)用不僅提高了駕駛的便利性和安全性，也對(duì)交通標(biāo)志檢測(cè)系統(tǒng)提出了更高的要求。為了確保無人駕駛和輔助駕駛系統(tǒng)能夠準(zhǔn)確識(shí)別道路信息，保障行車安全和提高道路交通效率，先進(jìn)的交通標(biāo)志檢測(cè)系統(tǒng)變得尤為重要。然而，由于交通標(biāo)志在實(shí)際圖像中所占比例較小，容易受到光照、遮擋以及相似物體的干擾，尤其在低能見度環(huán)境下，如惡劣天氣條件和缺少照明的環(huán)境下，當(dāng)下交通標(biāo)志檢測(cè)系統(tǒng)的準(zhǔn)確性不足，可能導(dǎo)致無人駕駛和輔助駕駛系統(tǒng)無法正確判斷道路信息，進(jìn)而引發(fā)交通事故和其他安全隱患，需要進(jìn)一步加強(qiáng)。目前，針對(duì)低能見度環(huán)境下的道路交通標(biāo)志檢測(cè)的研究存在需要對(duì)檢測(cè)對(duì)象預(yù)處理，不能實(shí)時(shí)檢測(cè)的問題。

2、經(jīng)檢索，關(guān)于道路交通標(biāo)志檢測(cè)方法的技術(shù)方案現(xiàn)有不足主要體現(xiàn)在預(yù)處理步驟多，在真實(shí)道路中效果不好；不能有效地檢測(cè)低能見度環(huán)境下的道路交通標(biāo)志問題。如公開號(hào)為cn117437615a的中國專利文獻(xiàn)公開了一種霧天交通標(biāo)志檢測(cè)方法、裝置、存儲(chǔ)介質(zhì)和電子設(shè)備。其中，該方法包括：獲取第一待識(shí)別交通圖像；采用預(yù)設(shè)的組合算法對(duì)第一待識(shí)別交通圖像進(jìn)行除霧處理，得到第二待識(shí)別交通圖像，其中，組合算法是依據(jù)sigmoid激活函數(shù)和多尺度retinex算法確定的；采用預(yù)訓(xùn)練的交通標(biāo)志檢測(cè)模型對(duì)第二待識(shí)別交通圖像進(jìn)行識(shí)別處理，得到第二待識(shí)別交通圖像對(duì)應(yīng)的目標(biāo)交通標(biāo)志，其中，交通標(biāo)志檢測(cè)模型基于改進(jìn)的yolov4算法構(gòu)建所得。該申請(qǐng)解決了相關(guān)技術(shù)對(duì)霧天環(huán)境下的交通標(biāo)志檢測(cè)存在準(zhǔn)確率較低的技術(shù)問題。

3、但是上述方法需要使用sigmoid激活函數(shù)和多尺度retinex算法對(duì)待檢測(cè)圖像進(jìn)行去霧預(yù)處理，但車載系統(tǒng)中cpu需要兼顧多個(gè)功能的計(jì)算，性能也無法和主流電腦相比，retinex算法的性能受限于cpu，導(dǎo)致預(yù)處理所需時(shí)間比較長，在真實(shí)道路交通中幾乎不能起到檢測(cè)預(yù)警的作用。

4、有鑒于此，發(fā)明人期望設(shè)計(jì)一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于解決現(xiàn)有低能見度環(huán)境下道路交通標(biāo)志檢測(cè)方法在真實(shí)道路中效果不好的問題，提供了一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，本發(fā)明主要針對(duì)道路交通標(biāo)志小目標(biāo)的特點(diǎn)，改進(jìn)了yolov8的模型，并使用公開數(shù)據(jù)集訓(xùn)練模型；減少檢測(cè)模型對(duì)數(shù)據(jù)集中低能見度環(huán)境圖片數(shù)量的依賴。

2、為實(shí)現(xiàn)上述技術(shù)目的，達(dá)到上述技術(shù)效果，本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)：

3、本發(fā)明提供一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，包括如下步驟：

4、s1、構(gòu)建交通標(biāo)志檢測(cè)模型；所述交通標(biāo)志檢測(cè)模型基于yolov8改進(jìn)得到；

5、s2、對(duì)訓(xùn)練集的25～35％進(jìn)行加霧加雨和黑夜化處理，測(cè)試集全部替換為霧天或夜間缺少光源這種低能見度環(huán)境下的圖像；

6、s3、對(duì)交通標(biāo)志檢測(cè)模型進(jìn)行訓(xùn)練；

7、s4、在車輛行駛中獲取實(shí)時(shí)圖像，并檢測(cè)交通標(biāo)志。

8、進(jìn)一步地，步驟s1中，所述改進(jìn)包括：

9、在backbone部分的sppf模塊下加入botnet模塊，提高神經(jīng)網(wǎng)絡(luò)的圖像分類能力；

10、head部分中使用odconv替代部分conv模塊，在卷積核空間的空間大小、輸入通道數(shù)、輸出通道數(shù)和卷積核數(shù)量四個(gè)維度上為每個(gè)卷積核學(xué)習(xí)補(bǔ)充的注意力，從而提高精度；并將head部分中的c2f模塊替換為lska模塊，進(jìn)一步提高小目標(biāo)檢測(cè)能力，并通過級(jí)聯(lián)水平和垂直卷積來減少內(nèi)存和計(jì)算復(fù)雜度；

11、最后使用wise-iou替代原本的回歸損失函數(shù)ciou，提高整體檢測(cè)性能。

12、進(jìn)一步地，步驟s1中，botnet模塊將selfattention模塊添加到resnet框架的最后3個(gè)瓶頸塊中，每個(gè)瓶頸塊都包含一個(gè)3×3的卷積。

13、進(jìn)一步地，使用全局多頭自注mhsa來代替這個(gè)卷積，充分提取交通道路圖像的全局和局部特征信息，同時(shí)有效地減少了模型的計(jì)算工作量。

14、進(jìn)一步地，步驟s1中，odconv采用多維注意力機(jī)制和并行策略，在卷積核空間的空間大小、輸入通道數(shù)、輸出通道數(shù)和卷積核數(shù)量四個(gè)維度上并行學(xué)習(xí)四種不同類型的注意力，這些注意力相互依賴，逐步應(yīng)用到相應(yīng)的卷積核上，從而顯著增強(qiáng)了cnn的特征學(xué)習(xí)能力；即使是單個(gè)內(nèi)核的odconv也能夠與具有多個(gè)內(nèi)核的單維度動(dòng)態(tài)卷積性能相當(dāng)甚至更優(yōu)異，從而大大減少了額外的參數(shù)。

15、進(jìn)一步地，步驟s1中，lska模塊通過級(jí)聯(lián)水平和垂直卷積來減少內(nèi)存和計(jì)算復(fù)雜度；lska模塊能夠捕捉局部依賴性和建模遠(yuǎn)程依賴性，同時(shí)具備空間適應(yīng)性和通道適應(yīng)性的特性；lska的輸出如下：

16、

17、ac＝w1×1*zc

18、

19、其中，d是膨脹率，*代表卷積，代表hadamard積。

20、進(jìn)一步地，wise-iou采用了動(dòng)態(tài)非單調(diào)的聚焦機(jī)制，能夠更好地處理低質(zhì)量數(shù)據(jù)的問題；動(dòng)態(tài)非單調(diào)聚焦機(jī)制能夠在訓(xùn)練過程中自動(dòng)調(diào)整梯度增益分配策略，使模型更加關(guān)注普通質(zhì)量的錨點(diǎn)框，從而提高檢測(cè)器的整體性能，wise-iou能夠減少高質(zhì)量錨點(diǎn)框的競(jìng)爭(zhēng)力，同時(shí)減少低質(zhì)量樣本產(chǎn)生的有害梯度，從而提高模型的泛化能力。

21、進(jìn)一步地，對(duì)訓(xùn)練集的30％進(jìn)行加霧加雨和黑夜化處理。

22、本發(fā)明的有益效果是：

23、1、本發(fā)明的一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，對(duì)數(shù)據(jù)集預(yù)處理步驟少，對(duì)低能見度環(huán)境的數(shù)據(jù)數(shù)量要求低，訓(xùn)練出的模型泛化能力強(qiáng)。

24、2、本發(fā)明的一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，無需對(duì)采集到的圖像進(jìn)行預(yù)處理，實(shí)時(shí)檢測(cè)交通標(biāo)志響應(yīng)時(shí)間快、

25、3、本發(fā)明的一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，對(duì)交通標(biāo)志小目標(biāo)的檢測(cè)精度高，性能強(qiáng)。

26、當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時(shí)達(dá)到以上的所有優(yōu)點(diǎn)。

技術(shù)特征：

1.一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，步驟s1中，所述改進(jìn)包括：

3.根據(jù)權(quán)利要求2所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，步驟s1中，botnet模塊將selfattention模塊添加到resnet框架的最后3個(gè)瓶頸塊中，每個(gè)瓶頸塊都包含一個(gè)3×3的卷積。

4.根據(jù)權(quán)利要求3所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，使用全局多頭自注mhsa來代替這個(gè)卷積，充分提取交通道路圖像的全局和局部特征信息，同時(shí)有效地減少了模型的計(jì)算工作量。

5.根據(jù)權(quán)利要求4所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，步驟s1中，odconv采用多維注意力機(jī)制和并行策略，在卷積核空間的空間大小、輸入通道數(shù)、輸出通道數(shù)和卷積核數(shù)量四個(gè)維度上并行學(xué)習(xí)四種不同類型的注意力，這些注意力相互依賴，逐步應(yīng)用到相應(yīng)的卷積核上，從而顯著增強(qiáng)了cnn的特征學(xué)習(xí)能力。

6.根據(jù)權(quán)利要求5所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，步驟s1中，lska模塊通過級(jí)聯(lián)水平和垂直卷積來減少內(nèi)存和計(jì)算復(fù)雜度；lska模塊能夠捕捉局部依賴性和建模遠(yuǎn)程依賴性，同時(shí)具備空間適應(yīng)性和通道適應(yīng)性的特性；lska的輸出如下：

7.根據(jù)權(quán)利要求6所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，wise-iou采用了動(dòng)態(tài)非單調(diào)的聚焦機(jī)制，能夠更好地處理低質(zhì)量數(shù)據(jù)的問題；動(dòng)態(tài)非單調(diào)聚焦機(jī)制能夠在訓(xùn)練過程中自動(dòng)調(diào)整梯度增益分配策略，使模型更加關(guān)注普通質(zhì)量的錨點(diǎn)框，從而提高檢測(cè)器的整體性能，wise-iou能夠減少高質(zhì)量錨點(diǎn)框的競(jìng)爭(zhēng)力，同時(shí)減少低質(zhì)量樣本產(chǎn)生的有害梯度，從而提高模型的泛化能力。

8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法，其特征在于，對(duì)訓(xùn)練集的30％進(jìn)行加霧加雨和黑夜化處理。

技術(shù)總結(jié)
本發(fā)明屬于道路交通圖像處理技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的低能見度環(huán)境交通標(biāo)志檢測(cè)方法。本發(fā)明突破了現(xiàn)有交通標(biāo)志檢測(cè)系統(tǒng)在低能見度環(huán)境下的局限，通過對(duì)YOLOv8模型進(jìn)行多模塊改進(jìn)和精心設(shè)計(jì)的數(shù)據(jù)集訓(xùn)練，開發(fā)出一種全新的基于深度學(xué)習(xí)的方法。與現(xiàn)有系統(tǒng)相比，本發(fā)明在保持高檢測(cè)精度的同時(shí)，大幅提高了系統(tǒng)在低能見度環(huán)境下的適應(yīng)能力和實(shí)時(shí)性。這一改進(jìn)不僅使交通標(biāo)志檢測(cè)更加可靠，也為智慧交通系統(tǒng)的進(jìn)一步發(fā)展提供了關(guān)鍵支持。隨著科技的飛速發(fā)展，無人駕駛技術(shù)和輔助駕駛技術(shù)的普及，系統(tǒng)將為駕駛員提供更安全、更高效的駕駛體驗(yàn)，進(jìn)一步推動(dòng)道路交通的智能化發(fā)展。

技術(shù)研發(fā)人員：紀(jì)濱,徐佳楓
受保護(hù)的技術(shù)使用者：安徽工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21