申请/专利权人：杭州电子科技大学

申请日：2020-08-21

公开（公告）日：2024-03-22

公开（公告）号：CN112084890B

主分类号：G06V20/00

分类号：G06V20/00;G06V10/82;G06V10/762;G06V10/774;G06V10/80;G06V20/58;G06N3/0464;G06T7/136

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.01.01#实质审查的生效;2020.12.15#公开

摘要：本发明公开了一种基于GMM和CQFL的多尺度识别交通信号标志的方法。本发明通过GMM聚类得到先验框尺寸作为网络的参数参与训练；将待训练图像输入神经网络中，网络会提取出输入图像不同尺度的特征图，并为五个不同尺度的特征图分配相应个数的先验框。再通过上采样和特征融合，最后输出五个不同尺度的预测结果。通过CQFL计算损失函数值后再进行迭代训练可以更新模型参数，得到最终模型；识别时将待识别图像输入最终模型，得到图像相应位置上的识别结果。通过GMM聚类提高了网络的识别速度和识别精度；通过CQFL解决了数据样本少导致识别效果差的问题；通过多尺度预测和先验框分配策略，解决了交通信号标志太小，难以检测的问题。

主权项：1.基于GMM和CQFL的多尺度识别交通信号标志的方法，其特征在于：包括以下步骤：1通过GMM聚类得到先验框尺寸作为网络的参数参与训练；以n个训练样本和验证样本中所有标定框的长宽大小作为二维数据点来构成；设有样本Xi，则GMM的表达式： 其中：N是GMM中单一高斯模型的个数；πm是每个单一高斯模型的占比；PXi|μm,Varm是样本Xi在第m个单一高斯模型中的概率密度函数；μm、Varm依次表示第m个高斯模型的均值、方差；通过EM算法对GMM的参数进行迭代更新:首先，分别初始化每个单一高斯模型的均值μ、方差Var和每个单一高斯模型的占比π；通过以下公式2计算样本Xi属于第m个单一高斯模型的概率，可称为样本Xi对第m个单一高斯模型的贡献系数： 通过以下公式3计算似然函数初始值： 在得到Wi,m之后，通过公式4、公式5和公式6依次更新πm、μm和Varm： 以上便完成了一次GMM参数的更新，而通过更新后的πm、μm和Varm可以进一步更新贡献系数和计算出此时的似然函数值，并往复迭代；随着参数的更新，似然函数值会不断变大，直到似然函数值的变化量小于预设阈值，此时GMM的参数达到收敛，聚类过程结束；考虑到在多尺度识别网络中，最后需要输出五个尺度的预测结果，其中最小的两个尺度各需要六个不同大小的先验框，其他三个尺度各需要三个不同大小的先验框；因此，需要通过GMM聚类出21个不同大小的先验框，即取N＝21；2将待训练图像输入神经网络中，网络会提取出输入图像不同尺度的特征图，并为最后五个不同尺度的特征图分配相应个数的先验框；再通过上采样和特征融合，最后输出五个不同尺度的预测结果；3通过CQFL计算损失函数值后，再通过迭代训练来更新模型参数，得到最终模型；其中CQFL采用以下公式进行计算：CQFLp＝-|y-p|γ1-ylog1-p+ylogpβc其中：y∈[0,1]是标签值；p∈[0,1]是类别预测概率；|y-p|γ是用来控制难训练样本和易训练样本影响能力的因子，γ是用来调节曲线的陡峭程度；-logp是交叉熵函数；βc因子是用来控制各类别对模型训练过程的影响力，它被定义为： 其中，NC是所有训练样本中类别为C的标签框个数，N是所有训练样本中所有标签框的个数；4识别时将待识别图像输入最终模型，得到图像相应位置上的识别结果。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 基于GMM和CQFL的多尺度识别交通信号标志的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD