(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 202210727924.6 (22)申请日 2022.06.23 (71)申请人 长沙理工大 学 地址 410015 湖南省长 沙市天心区万家丽 路二段96 0号 (72)发明人 张建明　叶紫　雷纹馨　 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/52(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/771(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于一阶段检测网络的交通标志检测 方法及系统 (57)摘要 本发明提供了一种基于一阶段检测网络的 交通标志检测方法及系统， 通过给定输入图像， 确定交通标志的位置和类别。 基于修改后的检测 网络， 提取后三块的特征信息； 基于多尺度注意 力增强机制关注不同位置不同通道信息的特征， 有偏重的加权组合通道及水平方向信息； 通过将 重新组合后的特征送入特征增强网络以及改进 的特征金字塔网络中， 使 得特征同时具有丰富的 语义信息和更细节的空间信息， 之后将融合后的 特征送入预测分支中进行分类和回归； 根据分类 和回归的结果， 得出目标的类别和位置。 本发明 通过结合多尺度注意力增强机制和改进的特征 金字塔网络， 有效的处理目标尺度过小以及遮挡 严重的情况， 大大提高了检测方法的准确性和鲁 棒性。 权利要求书3页 说明书6页 附图4页 CN 115240163 A 2022.10.25 CN 115240163 A 1.一种基于一阶段检测网络的交通标志检测方法， 其特征在于， 所述方法由计算机执 行， 包括以下步骤： S1、 构建检测网络模型； S2、 获取交通标志图像的特 征图； S3、 提取交通标志的外观信息和语义信息； S4、 通过多尺度注意力特 征增强机制重新组合特 征信息； S5、 将组合后的特 征送入到后续进行 特征增强的网络模块中； S6、 将增强后的特 征送入改进的特 征金字塔网络中进行 特征融合； S7、 将融合后的特征送入检测分支中， 进行分类和回归， 得出目标在当前场景中的类别 和准确位置 。 2.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法， 其特征在于， S1 的具体实现过程如下： S101、 该检测网络由四部分组成； 分别为骨干网络部分、 多尺度注意力特征增强机制部 分、 改进的特 征金字塔部分以及预测分支部分。 S102、 骨干网络是修改后的Darknet53网络， 使用的特征是提取到 的第三层、 第四层和 第五层的特 征信息。 S103、 多尺度注意力特征增强机制部分， 主要是对特征信息进行分解， 然后获得特征在 水平方向以及空间方向的权 重， 有选择的重新组合特 征信息。 S104、 改进的特征金字塔网络， 通过在原来的金字塔网络中构建一条自下而上的路径， 并在该路径中加入两个空间信息聚合器， 嵌入不同层的空间细粒度特 征信息。 S105、 将嵌入了空间细粒度信息和丰富语义信息的特征送入到预测分支中。 最后根据 两次分类和回归的结果， 得 出目标的类别和准确位置 。 3.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法， 其特征在于， S2 的具体实现过程如下： S201、 特征图的获取是在检测任务的开始 阶段， 通过一些卷积和激活函数等过滤器的 输出激活， 称之为特 征图。 4.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法， 其特征在于， S3 的具体实现过程如下： S301、 在该方法中使用的骨干网络是修改后的Darknet53网络， 提取到的有五层 特征信 息， 我们选择第三层、 第四层和第五层特 征进行使用。 S302、 第三层和第四层的特征经历的卷积层数较少， 包含的更多是外观信息， 其中只有 少量的语义信息 。 S303、 依次获取输入图像的特征图， 改变特征的通道数， 丰富了特征信息， X是初始输入 的特征层， Φ3(X),Φ4(X),Φ5(X)是提取到的第三层、 第四层和第五层特征， 分别是由一个CBL和8、 4个残差组件构成。 其表达式如下： 权　利　要　求　书 1/3 页 2 CN 115240163 A 25.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法， 其特征在于， S4 的具体实现如下： S401、 将提取获得的外观信息和语义信息作为输入， 送入多尺度注意力特征增 强机制 中进行处理。 add是并行的连接操作， Xi,Yi分别为更底层、 更高层的输入特征在第i通道的信 息。 Mi是第c通道激励后的结果: Mi＝add(Xi,Yi)， i＝1,2,...,c,     (4) S402、 将连接后的特征信息作为输入， Mc(i,j)为输入特征在位置i,j处的第c通道的信 息。 H,W表示沿水平方向和空间方向的激励， Uc是第c通道激励后的结果: 接下来， 为了获得通道之间的相关性， 我们做了以下工作： K＝PWconv2(Relu(PWco nv1(U)))     (6) 其中PWconv1、 PWconv2分别对应于Point ‑wise Conv1和Point ‑wise Conv2， 表示逐点 卷积。 局部细节信息由Point ‑wise Conv1聚合， 起到降维作用， 用于控制通道的数量， 这使 得操作尽可能的轻便。 Relu被用于非线性操作。 之后， 进 行1*1的逐点卷积， 得到与输入 特征 相同的维度。 K 是激活后的结果。 S403、 保留通道信息相关性， 并通过激活函数 得到的注意权 重如下： Z1＝XSigmo id(K)+Y(1 ‑Sigmoid(K)),    (7) 其中获得的权重被应用于原始输入特征。 X和Y是初始输入的特征层。 通过Sigmoid(K) 和1‑Sigmoid(K)获得权重。 值得注意的是， Sigmoid(K)的值在0和1之间， 1 ‑Sigmoid(K)也是 如此。 这使得网络能够 在X和Y之间进行加权平均。 Z1是按照一定规则融合后的特 征图。 S404、 提取的局部细节信息如下 所示： K*＝BN(PWco nv2(Relu(BN(PWco nv1(M))))),    (8) 其中， 局部细节信息 由PWconv1汇总， 改变输入特征的通道数。 M是经过公式(4)得到的 特征图。 BN表示批量归一化， 其作用是加快网络训练速度， 防止过拟合。 Relu被用于非线性 操作。 PWco nv2是一个增量维度层， 1*1的逐点卷积 将特征图恢复到与输入特 征相同的维度。 S405、 接下来， 由激活函数 得到的权 重与输入特 征相结合， 具体如下。 其表示如下： Z2＝XSigmo id(K*)+Y(1‑Sigmoid(K*)),     (9) 其中获得的权重被应用于不同大小的输入特征。 X和Y 是初始输入的特征层。 Z2是按照一 定规则融合后的特 征图， 它在输入特 征的基础上增 加了局部细节信息 。 S406、 最后， 将全局上下文信息和局部细节信息结合起来， Z是融合后的特征图。 如 下所 示： Z＝add(Z1,Z2),    (10) 。 6.如权利要求1所述的一种基于一阶段检测网络的交通标志检测方法， 其特征在于， S5 的具体实现过程如下： S501、 将经过多尺度注意力特征增强机制进行编码的浅层外观信息送入后续的特征增 强网络中来提高特征表征能力， 特征增强网络由多个卷积、 批量归一化以及非线性激活函权　利　要　求　书 2/3 页 3 CN 115240163 A 3