技术特征：
1.基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，包括：采集包含夜间交通标志的图像作为训练集；聚类先验框；在yolov3特征提取网络中引入注意力机制，得到改进的yolov3网络；所述注意力机制通过浅层特征图实现空间注意力，通过深层特征图实现通道注意力；确定边框损失函数；将所述训练集输入改进的yolov3网络进行训练，得到夜间交通标志图像检测模型。2.根据权利要求1所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，所述注意力机制通过如下方法输出：在yolov3网络残差结构生成的特征图中，确定来自网络深层的深层特征图、来自网络浅层的浅层特征图；其中，浅层特征图是深层特征图的两倍大的分支；以深层特征图作为注意力机制的第一个输入，得到具有通道重要性差异的全新特征图作为第一特征图；以浅层特征图作为注意力机制的第二个输入，得到附带空间像素权重关系的全新特征图作为第二特征图；对所述第一特征图和第二特征图作连接操作，得到注意力机制的输出。3.根据权利要求2所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，得到所述第一特征图的方法包括：对所述深层特征图执行最大池化和平均池化轮询操作，得到每个通道最大值和平均值；执行全局平均池化和全局最大池化操作，得到平均池化、最大池化两个维度的通道特征量；对两个维度的通道特征量共享全连接层，共享过程中保持特征量维度不变，对共享后的两个结果进行相加，得到全局通道特征量；使用sigmoid函数对全局通道特征量进行非线性激活，得到c1×1×
1维度的通道权重系数；其中，c1为输入深层特征图的通道数；对所述深层特征图做微步卷积，得到第三特征图；将所述第三特征图与所述通道权重系数相乘，得到所述第一特征图。4.根据权利要求3所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，对所述深层特征图做微步卷积的方法包括：对所述深层特征图做内部填充：在特征图的x坐标方向和y坐标方向每两个特征点之间填充它们的平均值，并在x坐标方向和y坐标方向的末尾复制最后一个特征点；其中，当某特征点在x坐标方向或y坐标方向无对应参照点时，取四个斜对角的均值进行填充；做卷积核大小为3
×
3的卷积。5.根据权利要求2所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，得到所述第二特征图的方法包括：在c2个通道上对浅层特征图的特征点做局部最大编码、局部平均编码，分别得到编码结果f
p
max,f
pavg
；分别在f
pmax
,f
pavg
空间沿着通道方向特征点，生成数量为h2×
w2的特征向量；其中，h2为输入浅层特征图的高，w2为输入浅层特征图的宽；
使用c2×
1的向量卷积对h2×
w2个向量进行卷积处理，得到两张经过编码和卷积的权重图；将两张权重图的映射转发到卷积层，产生只有一个通道的权重图，使用sigmoid函数激活，得到空间注意力权重矩阵；将所述浅层特征图与空间注意力权重矩阵相乘，得到所述第二特征图。6.根据权利要求5所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，所述浅层特征图的特征张量为其中f2为输入的浅层特征图。7.根据权利要求5所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，在做局部最大编码、局部平均编码的过程中，所采用的过滤器宽为d、高为d、步长为1；其中，r为比率。8.根据权利要求1所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，所述聚类先验框采用k-means++算法实现，所采用的k-means++算法的质心计算公式为：δx＝|c
i-1-x|式中：c
i
为聚类中心，x为样本点，|c
i
|为该类样本个数，c
i-1
为上一次迭代的聚类中心，δx为样本点与c
i-1
的曼哈顿距离，δx
m
为中位数m与c
i-1
的曼哈顿距离。9.根据权利要求1所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，所确定的边框损失函数包括置信度误差、定位误差和分类误差；其中，置信度误差和分类误差采用交叉熵误差计算；定位误差采用如下方法计算：计算预测框与真实框的交并比iou；计算目标定位损失l
loc
：：：式中：b、b
gt
分别为真实框、预测框的中心点，ρ(
·
)表示欧氏距离，c为b、b
gt
最小外接矩形的对角线距离，h、h
gt
分别为预测框、真实框的对角线，α、v均为影响因子，β为预测框和真实框的对角线夹角。10.根据权利要求1所述的基于深度学习的夜间交通标志图像检测模型建立方法，其特征在于，还包括对所述训练集中的图像采用如下方法预处理：计算图像亮度，若亮度低于130，则引入自适应gamma校正做图像亮度增强；在所引入的
自适应gamma校正中，伽马值γ通过下式计算：其中x为图像平均亮度；使用shi-tomasi角点检测算法获取图像的角点特征；对样本数量少于设定阈值的夜间交通标志图像做数据增强。
技术总结
本发明公开了基于深度学习的夜间交通标志图像检测模型建立方法，采集包含夜间交通标志的图像作为训练集；聚类先验框；在YOLOv3特征提取网络中引入注意力机制，得到改进的YOLOv3网络；所述注意力机制通过浅层特征图实现空间注意力，通过深层特征图实现通道注意力；确定边框损失函数；将所述训练集输入改进的YOLOv3网络进行训练，得到夜间交通标志图像检测模型。本发明提供基于深度学习的夜间交通标志图像检测模型建立方法，以解决现有技术中的图像检测模型在夜间交通标志识别中面临的定位不准、特征提取困难、识别失败率较高等问题，实现改善对夜间交通标志的识别效果、提高识别精确率的目的。识别精确率的目的。识别精确率的目的。
技术研发人员：岳希 赵海涛 唐聃 高燕
受保护的技术使用者：成都信息工程大学
技术研发日：2022.10.31
技术公布日：2023/1/6