1.一种基于YOLOv3改进的交通标志检测与识别方法,其特征在于,包括以下步骤:(1)获取和标注交通标志图像数据集,作为训练集;
(2)构建YOLOv3改进网络模型,包括:
(2‑1)将YOLO网络模型原有的Darknet53网络替换为Mobilenetv2网络;(2‑2)依次从MobilenetV2结构中提取下采样倍数分别为8、16、32的特征图:Route_1、Route_2和Route_3;使用Inv_res2net_block从Route_1、Route_2和Route_3中进一步特征提取,再进行上采样操作,获得融合后的特征C3、C4和C5;Inv_res2net_block在原有的Inverted_res_block结构基础上,参考Res2net结构进行构建:通过增加小的残差块,增加每一层的感受野,加入了SE block对通道关系进行建模,并在最后使用通道随机混合实现通道间的信息交流;
(2‑3)对特征C5进行卷积操作后,获得特征C6和C7;
(2‑4)将特征C3、C4、C5、C6和C7作为输入,通过NAS‑FPN结构进行更深层次的融合,选取对应着下采样倍数为8、16、32的特征图p3、p4和p5作为预测的输出;
(2‑5)采用GIoU损失替换YOLO网络模型原有的定位损失函数;
IoU表达式为:
GIoU表达式为:
其中:A、B为任意凸形,C为可以包含A、B在内的最小的封闭形状;
GIoU损失表达式为:LGI/U=1‑GIoU;
(3)通过训练集对所述的YOLOv3改进网络模型进行训练;(4)通过训练好的YOLOv3改进网络模型对待测交通标志图像进行检查与识别。2.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法,其特征在于,采用CTSD数据集作为训练集,将CTSD数据集的格式修改为符合YOLO网络的输入格式。
3.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法,其特征在于,步骤(2‑4)中,通过NAS‑FPN结构进行更深层次的融合,选择13×13、26×26、52×52作为三个输出特征图;网络重复次数设置为7。
4.根据权利要求1~3任一项所述的基于YOLOv3改进的交通标志检测与识别方法,其特征在于,步骤(2)还包括:采用k‑means++算法对训练集数据的标注信息进行聚类,获得所需的anchor值。
5.根据权利要求1所述的基于YOLOv3改进的交通标志检测与识别方法,其特征在于,步骤(3)中,采用momentum动量算法进行训练,同时采用warm up策略防止梯度爆炸。
6.根据权利要求1或5所述的基于YOLOv3改进的交通标志检测与识别方法,其特征在于,步骤(3)中,采用多尺度训练策略以及mix up和/或randomcrop数据增强方法进行训练。