一种面向交通标志检测的小目标增强优化方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187576A(43)申请公布日2022.03.15(21)申请号202111505215.5(22)申请日2021.12.10(71)申请人杭州电子科技大学地址310018浙江省杭州市钱塘区白杨街道2号大街(72)发明人经钦杨王翔李东辉贾刚勇顾人舒王泽斌(74)专利代理机构浙江千克知识产权代理有限公司33246代理人周雷雷(51)Int.Cl.G06V20/58(2022.01)G06V10/774(2022.01)G06V10/762(2022.01)G06K9/62(2022.01)权利要求书1页说明书5页附图4页(54)发明名称一种面向交通标志检测的小目标增强优化方法(57)摘要本发明公开了一种面向交通标志检测的小目标增强优化方法。本发明方法包含两部分的内容：采用基于优先度的小目标增强的策略进行数据增强。针对以往小目标增强无视各类型目标分布差异统一增强导致效果不佳的问题，采用基于优先度的小目标增强的策略进行数据增强，对小目标数据集进行针对性的增强。采用最优锚框宽高聚类优化训练数据。针对模型获取正样本时只关注比较大的样本、忽略小目标的问题，以及单纯以目标宽高进行聚类获取锚框初始值导致训练数据不合理的问题。采用最优锚框宽高聚类配合增强数据集优化训练数据。通过本发明提出的方法，最终可以提升小目标交通标志的检测精度以及整体检测精度。CN114187576ACN114187576A权利要求书1/1页1.一种面向交通标志检测的小目标增强优化方法，其特征在于该方法包括如下步骤：步骤1：利用增强优先度确定需要增强的小目标类型；根据数据集各类型分布、小目标尺寸分布、特征多样性分布和基准检测模型检测精度综合获得增强优先度指标，确定增强优先度最高的小目标类型为需要进行小目标增强的小目标类型，称这类小目标为偏向小目标；步骤2：提取掩膜增强小目标样本；对原始数据集做以下操作：对于包含偏向小目标的图片，将偏向小目标复制，并利用掩膜融合在原始图片的随机区域中；对于不包含偏向小目标的原始图片进行统一过采样；新生成的图片数据集称为小目标增强数据集；原始数据和小目标增强数据集一起作为模型训练的数据集，称增强数据集；步骤3：最优锚框宽高聚类生成锚框初始值；对增强数据集做以下操作：首先抛弃原先单纯以目标宽高作为的锚框宽高的方式，而是通过计算来获得每一个目标的近似最优锚框宽高；然后对所有目标的最优锚框宽高进行K近邻聚类来获取模型锚框初始值，以此约束模型获取正样本时关注的目标尺寸范围；步骤4：优化训练数据生成策略，进行模型训练和检测；对交通标志检测的SSD模型的训练数据生成策略进行改进，以聚类宽高作为最终锚框宽高；将增强数据集输入改进模型进行训练和检测，对比基准模型和改进模型在验证集上检测精度。2CN114187576A说明书1/5页一种面向交通标志检测的小目标增强优化方法技术领域[0001]本发明涉及深度学习和交通检测领域，特别涉及一种面向交通标志检测的小目标增强优化方法。背景技术[0002]交通标志识别系统(TSR)是智能交通系统与高级辅助驾驶系统的重要组成部分，提高交通标志检测与识别算法的准确率是走向实际应用进程中需要解决的关键问题。算法的准确率是交通标志识别研究中一个十分重要的因素，错误的识别结果不仅不能起到辅助驾驶作用，还会导致严重的安全事故。在汽车数量日益增加、交通安全事故居高不下，要求不断提升汽车的驾驶智能化的现实压力面前，开展交通标志检测与识别技术研究，对于增加驾驶安全具有重大的意义。[0003]近年来，基于深度学习的目标检测算法的蓬勃发展，基于深度学习的目标检测算法被广泛应用在了交通标志检测领域。交通标志检测需要从一张自然环境中拍到的照片中检测交通标志的区域和类型。交通标志检测与普通目标检测任务的区别在于交通标志的绝对尺寸在图片中占据非常小的面积。通常原始图片具有比较高的分辨率，而基于深度学习的目标检测算法模型输入图片的分辨率低于原始图片，原始图片在输入算法模型中需要进行缩小，导致算法模型输入图片中的交通标志尺寸进一步缩小。除此之外，不同类型交通标志的数据集还存在分布不均衡问题。这些问题导致基于深度学习的目标检测模型对交通标志目标的检测能力不足。发明内容[0004]针对现有技术的不足，本发明提供了一种面向交通标志检测的小目标增强优化方法。[0005]本发明进行两部分优化：[0006](1)采用基于优先度的小目标增强的策略进行数据增强[0007]针对以往小目标增强无视各类型目标分布差异统一增强导致效果不佳的问题，采用基于优先度的小目标增强的策略进行数据增强，在一定程度上提升了模型检测精度。[0008](2)采用最优锚框宽高聚类优化训练数据[0009]针对模型获取正