基于改进YOLOv5的复杂天气下小交通标志目标检测方法

本发明涉及交通标志检测，特别是指一种基于改进yolov5的复杂天气下小交通标志目标检测方法，可以在无人驾驶、目标检测等领域应用。

背景技术：

1、近年来，随着人工智能技术的不断发展与完善，目标检测算法在无人驾驶、视频索引等领域得到了广泛的应用。无人驾驶车辆在行驶过程精准检测并识别道路场景中的车辆、交通标识牌、信号灯等是十分重要的。城市道路中的交通标识包含了丰富的导航信息，能够指示、警示驾驶员的驾驶行为。精准地检测并识别交通标识对提高道路驾驶安全有十分重要的意义，是智能驾驶的重要组成部分。

2、世界各国的交通标志都遵循颜色醒目、形状规则的明确设计标准。但在实际应用中，对交通标志检测精度、可靠性和实时性的要求仍然很高，是一项具有挑战性的任务。有三个主要困难要克服。第一个是交通标志检测是一种微小物体检测，这种微小的物体通常只有很少的像素，携带有限的信息，并带来很多噪音。因此，微小的物体带来了特征提取的挑战。第二个困难来自于复杂的天气情况，容易导致误检和漏检。复杂的天气情况干扰包括可变光照、极端天气(如雨、雪或雾)等。最后，交通标志的类别总是不平衡的，因为在现实中，有些标志是常用的，而有些则很少使用。

3、在深度学习被广泛应用前，以往的交通标志识别任务中通常使用基于颜色、形状和机器学习的方法进行检测和分类。大部分方法使用基于adaboost二进制分类器和循环霍夫变换的颜色分割对交通标志进行检测，该方法准确率较高并拥有较好的鲁棒性。深度学习的出现，为交通标志的检测提供了新的思路。目前，深度学习在交通标志检测领域已经取得重大成果，不同于传统的检测算法，深度学习下的交通检测算法通过构建卷积神经网络cnn来学习交通标志目标特征，再利用网络训练的方式将交通标志数据样本和标签文件送入网络的输入端，通过变换网络层的组合和改变卷积核尺度等方法对图像进行特征提取。网络参数的不断演化使算法能够学习不同交通标志之间的变换关系，避免手工提取特征误差较大的情况。基于深度学习的交通标志检测算法主要分为单阶段检测和双阶段检测两类。基于双阶段检测的方法先通过检索物体的大概位置来确定感兴趣区域，再利用特征提取网络对目标的坐标和具体类别进行判断。这类算法的典型代表有r-cnn、fast r-cnn和faster r-cnn等。基于单阶段检测的交通标志检测算法能够在一个网络内实现交通标志图像输入到分类结果输出的整个过程，检测速度上更占优势。这一类算法的典型代表有yolo系列和ssd系列等。

4、与传统的交通检测算法相比，深度学习下的交通检测算法提升了检测的精度，加快了检测的速度。然而，由于交通标志的大小多变，在小物体的检测和正常物体的检测之间存在着明显的差距，大多数算法对于较小尺度交通标志的检测效果仍不够理想。同时复杂的天气情况也导致在恶劣天气情况下，大多数算法漏检、误检率过高。

技术实现思路

1、目前的交通标志识别模型在针对不同天气情况下存在检测速度与识别精度不均衡以及受遮挡目标和小目标难以检测的问题，本发明提出了一种基于改进yolov5的复杂天气下小交通标志目标检测方法，在yolov5基础上，添加坐标注意力机制和小目标检测层以提高算法的特征提取能力和检测效率，同时改进原yolov5目标检测网络的损失函数进一步提高算法对小目标检测的准确率。

2、本发明的技术方案是这样实现的：

3、一种基于改进yolov5的复杂天气下小交通标志目标检测方法，其步骤如下：

4、s1：加载交通标志图像的数据集，并对数据集中的图像进行数据增强；

5、s2：构建改进的yolov5网络模型，并设置模型输入参数；

6、s3：利用数据增强后的交通标志图像数据对改进的yolov5网络模型进行训练，得到检测模型；

7、s4：利用检测模型对待识别的图像进行预测，输出交通标志的位置以及交通标志所属的类别。

8、所述数据增强方法包括随机水平翻转、随机垂直翻转、随机平移和随机裁剪。

9、所述改进的yolov5模型的网络结构为：conv-i的输入端用于接收输入图像，conv-i的输出端与cbs-i的输入端相连接，cbs-i的输出端与csp1_1的输入端相连接，csp1_1的输出端分别与cbs-ii的输入端、concat-iii的输入端相连接，cbs-ii的输出端与csp1_3-i的输入端相连接，csp1_3-i的输出端分别与cbs-iii的输入端、concat-iv的输入端相连接，cbs-iii的输出端与csp1_3-ii的输入端相连接，csp1_3-ii的输出端分别与cbs-iv的输入端、concat-v的输入端相连接，cbs-iv的输出端与spp的输入端相连接，spp的输出端与csp2_1-i的输入端相连接，csp2_1-i的输出端与ca的输入端相连接，ca的输出端与csb-v的输入端相连接，csb-v的输出端分别与upsample-i的输入端、concat-vi的输入端相连接，upsample-i的输出端与concat-i的输入端相连接，concat-i的输出端与csp2_1-ii的输入端相连接，csp2_1-ii的输出端与cbs-vi的输入端相连接，cbs-vi的输出端分别与upsample-ii的输入端、concat-iv的输入端相连接，upsample-ii的输出端与concat-ii的输入端相连接，concat-ii的输出端与csp2_1-iii的输入端相连接，csp2_1-iii的输出端与cbs-vii的输入端相连接，cbs-vii的输出端与upsample-iii的输入端相连接，upsample-iii的输出端与concat-iii的输入端相连接，concat-iii的输出端与csp2_1-iv的输入端相连接，csp2_1-iv的输出端与conv-ii的输入端相连接，conv-ii的输出端输出head-i；concat-iv的输出端与csp2_1-v的输入端相连接，csp2_1-v的输出端分别与conv-iii的输入端、cbs-viii的输入端相连接，conv-iii的输出端输出head-ii；cbs-viii的输出端与concat-v的输入端相连接，concat-v的输出端与csp2_1-vi的输入端相连接，csp2_1-vi的输出端分别与conv-iv的输入端、cbs-ix的输入端相连接，conv-iv的输出端输出head-iii；cbs-ix的输出端与concat-vi的输入端相连接，concat-vi的输出端与csp2_1-vii的输入端相连接，csp2_1-vii的输出端与conv-v的输入端相连接，conv-v的输出端输出head-iv。

10、所述head-i是通过小目标检测层输出的结构。

11、所述对改进的yolov5网络模型进行训练时的损失函数为：

12、

13、其中，alpha_iou为损失函数值，iou表示边界框和实际边界框的相似程度，α为附加的power正则项，b表示预测框，c表示为数据集的类别个数，bgt表示真实框。

14、与现有技术相比，本发明产生的有益效果为：

15、1)本发明在主干网络中加入坐标注意力(coordinate attention,ca)机制，将位置信息嵌入通道注意力中，使网络能够获得更广泛的区域信息，尽可能避免了参数量和计算量的增加。

16、2)增加小目标检测层，减少小目标漏检，提高小目标检测精度。

17、3)对原定位损失函数ciou进行改进，实现了在交通标志识别任务中对预测框与真实框之间更精确的损失计算。

18、4)本发明在不同天气情况下均可有效检测出较小交通标识，且漏检率低、检测精度高。