申请/专利权人：南通大学

申请日：2021-05-31

公开（公告）日：2024-06-07

公开（公告）号：CN113221823B

主分类号：G06V20/58

分类号：G06V20/58;G06V10/774;G06V10/44;G06V10/82;G06N3/0464;G06N3/08;G06F16/951

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2021.08.24#实质审查的生效;2021.08.06#公开

摘要：本发明公开了一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法，包括以下步骤：制作交通信号灯数据集，预处理数据；YOLOv3的特征提取网络采用ShuffleNetV2，并且通过特征变换融合ShuffleNetV2低中高层特征作为最终高层输出特征；训练改进后的用于红绿交通信号灯十个倒计时数字的20分类的轻量级YOLOv3网络，实现交通信号灯倒计时数字的检测和识别，并将训练好的模型部署到移动端完成交通信号灯倒计时识别。本发明具有识别速度快，准确率高，实用性和泛化性高等优点，并且更容易在移动端部署。

主权项：1.一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法，其特征在于：包括以下步骤：步骤S1、制作交通信号灯倒计时数据集，其中包括各种天气、环境下的交通信号灯倒计时图片，并对相关图片做预处理操作；步骤S2、将YOLOv3的特征提取网络替换为ShuffleNetV2，通过特征变换融合ShuffleNetV2网络低中高层特征作为最后高层的输出特征；步骤S3、完成数据集制作和数据预处理后，根据数据标签中的目标训练改进轻量级YOLOv3网络；步骤S4、模型训练完成后，将训练好的模型部署到移动端，输入待测图片，获取预测图像，完成交通信号灯倒计时识别，并播报倒计时秒数进行提醒；所述的步骤S1包括以下步骤：在交通信号灯倒计时数据制作时，通过网络爬虫收集各种场景、时间和环境下交通信号灯倒计时图片，通过LabelImg对所收集的图片中的交通信号灯倒计时目标进行类别和位置标注，标注数据集格式为VOC，其中，数据集包括红灯和绿灯0-9共有20个类；同时，对收集的图片采用数据增强，如下：图片随机旋转、随机缩放、随机饱和度调整，最终得到交通信号灯倒计时数据集；所述的步骤S2包括以下步骤：S2.1、将YOLOv3的特征提取网络DarkNet53替换为轻量级网络ShuffleNetV2，实现轻量级YOLOv3；S2.2、为了丰富高层输出特征中交通信号灯倒计时的特征，通过特征变换拼接来自低层stage2、中层stage3、高层stage4特征作为高层最终输出的特征；特征变换是对输入的特征图维度进行变换，维度1、维度2、维度3分别是图像的长、宽和通道数，ShuffleNetV2包括依次连接的Convl、Pool、stage2、stage3和stage4，其中，ShuffleNetV2中stage3的输出特征图以步长为2在维度1和维度2上进行分块，将得到的2×2数据块在维度3上叠加，在保持特征信息的情况下，实现特征图的变换；对于ShuffleNetV2的stage2，特征变换以步长为4在维度1和维度2上进行分块；S2.3、使用空间金字塔池化SPP网络增大YOLOv3特征提取网络的感受野，将ShuffleNetV2输出特征分成19×19个网格，在每个网格内都生成三个预测框和最初的标记框计算IOU，选择IOU值最大的作为最终的预测框；S2.4、使用逻辑回归作为交通信号灯倒计时分类器，使用YOLOv3特征金字塔输出的19×19、38×38、76×76三个特征图进行预测；所述的步骤S3包括以下步骤：训练策略采用迁移学习和指数移动平均，学习率使用余弦学习率，学习率和训练轮数关系按如下公式实现： 其中，begin_rate为初始学习率，epoch为变化轮数从[0,epochs]依次增加，epochs为训练轮数，训练时在8张TeslaV100GPU上进行训练；所述的步骤S4包括以下步骤：模型训练完成后，将训练好的YOLOv3模型部署到移动端设备JetsonTX2上，部署软件为PaddleLite，通过移动端的摄像头获取预测图片，并获得模型预测结果。

全文数据：

权利要求：

百度查询： 南通大学 一种基于改进轻量级YOLOv3的交通信号灯倒计时识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD