(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210641405.8 (22)申请日 2022.06.08 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号哈尔滨理工大 学西区 (72)发明人 韩方　宋清昆　 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv4的交通标志 识别方法 (57)摘要 本发明公开了一种基于改进YOLOv4的交通 标志识别方法。 其包括如下步骤： (1)采集交通标 志数据集， 并对采集到的交通标志数据集进行数 据增强等操作； (2)进行图像标注， 按照8:2的比 例划分为训练集和测试集； (3)搭建改进的 YOLOv4网络模型， 并采用获取到的交通标志训练 集对改进了的YOLOv4网络模型进行训练； (4)利 用训练好的YOLOv4改进网络模型对测试集的交 通标志图像进行检测与识别。 本发明改进的 YOLOv4网络能在保证检测速度的前提下， 提高对 小目标交通标志的检测精度。 权利要求书2页 说明书4页 附图3页 CN 114998866 A 2022.09.02 CN 114998866 A 1.一种基于改进YOLOv4的交通标志 识别方法， 其特 征在于， 包括如下计算 步骤： 步骤1： 获取交通标志数据集， 并对 采集到的数据集预处 理； 步骤2： 改进YOLOv4网络模型； 步骤S1： 删除原网络中对小目标检测意义不大的19 ×19的预测层； 通过特征融合利用 浅层网络的细节特征增加了尺度为152 ×152的预测层， 改善了小目标特征易丢失的问题， 经过改进后的YOLOv4网络在颈部特征融合部分依旧按PANet路径的形式连接， 以152 ×152， 76×76， 38×38三个尺度输入到预测层； 步骤S2： 将经过步骤S1初步改进的YOLOv4网络模型中颈部特征融合部分的PANet路径 替换为双向特 征金字塔网络BiFPN； 步骤3： 将训练集输入经步骤S1、 S2改进后的YOLOv4网络进行训练， 并保存最优的网络 模型； 步骤4： 将测试集输入训练最优 网络模型中进行测试， 验证改进后模型的检测与识别效 果。 2.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 步骤1包括如下步骤： 步骤2.1： 对采集到的交通标志数据集中的样本图片随机添加高斯噪声， 将添加高斯噪 声的样本加入到训练集中； 步骤2.2： 随机选取数据集中四张图片进行随机翻转、 色域变换和缩放等处理后依次放 置在四个角落堆叠生成一张与 原图大小相同的新图加入训练集， 将上述步骤获得的图像加 入训练集用于对改进YOLOv4模型进行训练， 能提升模型的泛化 性能。 3.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 步骤1中， 对TT100K交通标志数据集进行标注， 将数据集图片按照8:2的比例随机划分为训 练集和测试集， 最后将T T100K数据集的jso n格式转换成符合YOLOv4网络 输入的txt格式。 4.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 步骤S1中， 由于小目标尺寸较小， 在低分辨率、 大感受野的高层特征图中容易丢失大量小目 标的细节信息， 因此高层19 ×19的特征图针对小目标的检测效果并不好， 为了提高对小目 标的检测效果并缩短检测时间， 所以删除原网络模型中尺度为19 ×19的预测层。 5.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 步骤S1中， 为提高对小目标的检测效果， 利用CSPDarknet53中经过4倍下采样的特征图与 YOLOv4网络中经过8倍和16倍下采样的特征融合图再经上采样后进行特征融合， 得到尺度 为152×152特征融合图， 输出到预测层。 6.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 将经 过步骤S1初步改进的Y OLOv4网络结构中特征融合网络PANet结构替换为双向特征金字塔网 络结构BiFPN。 7.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 步骤4中， 配置网络环境， 选择Win dows10为操作系统和Pytorch框架进行训练， 图片输入尺 寸为608×608， 采用动态学习率改善模型在不同训练阶段的收敛速度， 在模型收敛后保存 每个epoch训练完得到的权 重文件。 8.根据权利 要求1所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述权　利　要　求　书 1/2 页 2 CN 114998866 A 2步骤4中， 预测结果采用mAP和FPS作为性能指标来评价所述改进的YOLOv4网络模型对交通 标志的检测能力。 9.根据权利 要求4所述的一种基于改进YOLOv4的交通标志识别方法， 其特征在于， 所述 mAP指标的计算方法如下： 步骤M1： 计算单个 类别的查 准率P， 其公式如下： 其中， P代表单个类别的查准率， True  positives代表单个类别被模型预测为正的正样 本数， Tot al objects代表单个类别被模型预测为正的正样本数与被模型预测为正的负样 本数之和； 步骤M2： 根据单个 类别的查 准率P， 分别计算每 个类别的平均精度AP， 其公式如下： 其中， AP代表每个类别的平均精度， ∑P代表所有图片的精度之和， Total  images代表 所有图片之和； 步骤M3： 根据所 得的单个 类别平均精度， 计算所有类别的平均精度， 其公式如下： 其中， mAP代表所有类别的平均精度， ∑AP代表所有类别的精度之和， Total  images代 表类别。权　利　要　求　书 2/2 页 3 CN 114998866 A 3