基于深度学习的交通灯识别方法.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CN113989781A(43)申请公布日2022.01.28(21)申请号202111291491.6G06V10/30(2022.01)(22)申请日2021.11.01G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人重庆交通职业学院地址402247重庆市江津区双福新区学府路69号申请人道简优行（重庆）科技有限公司重庆金皇后新能源汽车制造有限公司(72)发明人李晓威金庭安程鹏周春荣(74)专利代理机构重庆乐泰知识产权代理事务所(普通合伙)50221代理人雷钞(51)Int.Cl.G06V20/58(2022.01)G06V10/28(2022.01)权利要求书2页说明书6页附图4页(54)发明名称基于深度学习的交通灯识别方法(57)摘要本发明涉及一种基于深度学习的交通灯识别方法，包括标注交通灯图片集并训练得到交通灯模型；增加yolov5模型的小目标识别能力；使yolov5模型实时读取相机的图像；对相机采集的图片进行滤波去噪处理；将训练好的交通灯模型中的数据集和交通灯权重文件加入改进后的yolov5模型，通过该模型从相机采集的图像中识别出交通灯的真实边界框，并输出识别结果。本发明中，采用了基于yolov5的交通灯识别方法，并通过对yolov5的改进，解决了传统识别方法识别图像速度慢，准确低的问题；并增强了对小目标的识别能力，目标识别精度高，实时性强，非常适合应用于无人驾驶技术。CN113989781ACN113989781A权利要求书1/2页1.一种基于深度学习的交通灯识别方法，其特征在于，包括以下步骤：步骤S1、获取并标注交通灯图片集，通过训练得到能够识别交通灯形状和颜色的交通灯模型；步骤S2、对yolov5模型进行改进，增加yolov5模型的小目标识别能力；步骤S3、将训练好的交通灯模型中的数据集和权重文件加入改进后的yolov5模型，得到交通灯自动识别模型，对交通灯自动识别模型进行训练，使交通灯自动识别模型先识别出交通灯边界框，再从交通灯边界框中识别出交通灯对应的ID号；步骤S4、使yolov5模型实时读取相机的图像；步骤S5、通过训练好的交通灯自动识别模型从相机采集的图像中识别出交通灯的真实边界框，并输出识别结果。2.如权利要求1所述的基于深度学习的交通灯识别方法，其特征在于，在所述步骤S1中，将交通灯根据形状和颜色的分别划分ID号，在标注交通灯图片集时，先在交通灯图片上交通灯的位置处标注出边界框，再标注各边界框中交通灯的形状和颜色对应的ID号。3.如权利要求1所述的基于深度学习的交通灯识别方法，其特征在于，在所述步骤S2中，对yolov5模型进行改进包括：在其原始特征提取层之后增加多尺度特征提取层和特征融合层，在其目标检测层之前增加小目标检测层，将原始特征提取层输出的特征信息分别送给多尺度特征提取层和特征融合层，所述多尺度特征提取层用于对原始特征提取层输出的特征信息进行过滤，提取出明显的特征信息；所述特征融合层用于将原始特征提取层输出的特征信息和多尺度特征提取层输出的特征信息进行融合；所述小目标检测层用于通过上采样加强小目标的细粒度特征。4.如权利要求1所述的基于深度学习的交通灯识别方法，其特征在于，在所述步骤S2中，对yolov5模型进行改进还包括：在yolov5模型的PANet架构中，将BottleNeckCSP模块替换为Ghostbottleneck模块，并将Ghostbottleneck模块的子模块的顺序从前至后依次设置为GhostModule1模块、depthwise模块、SEModule模块、GhostModule2模块、Identitymapping模块。5.如权利要求4所述的基于深度学习的交通灯识别方法，其特征在于，去除GhostModule2模块的ReLU函数。6.如权利要求1所述的基于深度学习的交通灯识别方法，其特征在于，在所述步骤S4中，读取相机采集的图片后还进行滤波去噪处理，滤波去噪处理的方法为：首先通过灰度图像转换，把彩色图像转化为灰度图，然后进行二值化处理，最后进行高斯滤波去噪处理；滤波函数选择FIRwindowedfilterPtByPtVI。7.如权利要求1所述的基于深度学习的交通灯识别方法，其特征在于，在所述步骤S3中，模型训练的公式为：tx＝(Gx‑Px)ty＝(Gy‑Py)tw＝log(Gw/Pw)th＝log(Gh/Ph)式中，Gx表示标注的边界框的中心点的横坐标；Gy表示标注的边界框的数据中心点的纵2CN113989781A权利要求书2/2页坐标；Gw表示标注的边界框的宽；Gh表示标注的边界框的高；Px表示预测边界框的中心点的横坐标；Py表示预测边界框的中心点的纵坐标