本發(fā)明涉及一種小目標檢測識別方法、系統(tǒng)、設備及存儲介質(zhì)，尤其涉及一種交通標志小目標檢測識別方法、系統(tǒng)、設備及存儲介質(zhì)，屬于目標檢測。

背景技術(shù)：

1、交通標志檢測技術(shù)是智能交通系統(tǒng)與先進輔助駕駛系統(tǒng)的重要組成部分，其目的在于實現(xiàn)對道路交通場景準確無誤的識別，并將識別結(jié)果及時反饋給道路使用者，以幫助他們做出正確決策，從而保障行車安全。交通標志檢測主要依賴于圖像處理、計算機視覺和機器學習等領(lǐng)域的技術(shù)。其基本原理是通過攝像頭等傳感器捕獲道路圖像，然后利用算法對圖像進行處理和分析，以識別出其中的交通標志，其中yolo模型已成為如今主流算法模型。而yolov8在交通標志檢測中展現(xiàn)出了其獨特的優(yōu)勢和廣泛的應用前景。隨著智能交通系統(tǒng)的不斷發(fā)展和完善，基于yolov8的交通標志檢測技術(shù)將在提高道路安全、緩解交通擁堵等方面發(fā)揮越來越重要的作用。

2、為了提高交通標志檢測的實時性和可行性，人們提出了一種基于yolov8s的輕量化交通標志檢測模型。首先，用fasternet中的殘差模塊fasternetblock替換c2f模塊中的bottleneck，降低模型參數(shù)量和計算量；其次，用一種小目標檢測層去替換大目標檢測層，降低backbone中網(wǎng)絡層數(shù)，實現(xiàn)大幅度提高檢測速度和降低參數(shù)量；最后，用wise-iou替換原ciou損失函數(shù)，提高速度和精度。該模型具有檢測精度高、參數(shù)量少、計算量低、速度快等優(yōu)點，較原算法有很大地提升，且與其他先進的交通標志檢測模型比較時表現(xiàn)出了很強的競爭力，在交通標志檢測中具有較大優(yōu)勢。

3、但是實際道路天氣以及環(huán)境等復雜因素的影響，yolov8算法不能保證在實際應用中的準確度。在交通標志檢測過程中車載攝像頭遠距離檢測交通標志時檢測目標過小，yolov8算法檢測過慢。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種能夠降低模型的計算量的交通標志小目標檢測識別方法、系統(tǒng)、設備及存儲介質(zhì)。

2、技術(shù)方案：本發(fā)明所述的一種交通標志小目標檢測識別方法，包括：

3、步驟1：收集各種交通標志圖片并對圖片進行預處理，獲得待識別數(shù)據(jù)集；

4、步驟2：基于yolov8通過wpooling模塊改進上采樣和下采樣模塊，并通過csp_ptb模塊對輸入通道進行部分分配,構(gòu)建改進后的wpcp-yolo模型；所述csp_ptb模塊，通過partially?transformer?block模塊，以cross?stage?partial的方式創(chuàng)建；

5、步驟3：利用改進后的wpcp-yolo模型對待識別數(shù)據(jù)集進行交通標志小目標的檢測識別。

6、進一步地，所述步驟1具體為，利用車載監(jiān)控收集交通標志圖片，將圖片進行分類處理，利用mosaic數(shù)據(jù)增強方法對圖片進行預處理，對處理后的圖片利用labelimg進行標注，獲得待識別數(shù)據(jù)集。

7、進一步地，所述步驟2具體包括：

8、步驟2.1：利用wpooling模塊改進yolov8的上采樣和下采樣，解決小目標的混疊問題，提高小目標的檢測精度，具體的：

9、通過yolov8的backbone部分從數(shù)據(jù)集的圖像中提取特征，對被反向傳播的圖像特征進行一階小波分解；分解后，細節(jié)系數(shù)子帶向上采樣2倍，以創(chuàng)建一個新的一級分解；

10、隨后wpooling模塊根據(jù)快速小波變換在小波域進行二階分解fwt，公式如下：

11、

12、其中，為近似函數(shù)，ψ為細節(jié)函數(shù)，和wψ分別為近似系數(shù)和細節(jié)系數(shù)，和hψ[-n]分別為時間逆尺度和小波向量，n表示向量中的樣本，j表示分辨率水平，k為參數(shù)；

13、在進行二階分解后，使用二階小波子帶重建圖像特征，使用逆fwt將圖像特征池化2倍：

14、

15、步驟2.2：設計混合結(jié)構(gòu)，將輸入特征圖分為兩部分，分別由卷積神經(jīng)網(wǎng)絡cnn和transformer處理以增強特征提取的能力，并通過csp_ptb模塊對輸入通道進行部分分配以優(yōu)化計算效率和特征提取能力。

16、進一步地，所述步驟2.2具體包括：

17、步驟2.2.1：采用partially?transformer?block模塊，對部分通道使用transformerblock；

18、步驟2.2.2：結(jié)合convolutionalglu模塊，構(gòu)建mhsa_cglu模塊，利用多頭自注意力機制mutil-head-self-attention提取全局特征，通過convolutionalglu增強非線性特征表達能力；

19、步驟2.2.3：通過self-attention計算出三個新的向量query、key和value，將query、key、value通過一個線性映射后，分成若干份，對每一份進行縮放點積注意力scaleddot-product?attention；將各部分的結(jié)果合并起來，再次經(jīng)過線性映射，得到最終的輸出；

20、步驟2.2.4：在glu門控分支的激活函數(shù)前加入最小形式的3×3深度卷積，將其轉(zhuǎn)化為基于最近鄰特征的門控通道注意機制。

21、基于相同的發(fā)明構(gòu)思，本發(fā)明還提供了一種交通標志小目標檢測識別系統(tǒng)，包括：

22、數(shù)據(jù)采集模塊，收集各種交通標志圖片并對圖片進行預處理，獲得待識別數(shù)據(jù)集；

23、模型改進模塊，基于yolov8通過wpooling模塊改進上采樣和下采樣模塊，并通過csp_ptb模塊對輸入通道進行部分分配,構(gòu)建改進后的wpcp-yolo模型；所述csp_ptb模塊，通過partially?transformer?block模塊，以cross?stage?partial的方式創(chuàng)建；

24、識別模塊，利用改進后的wpcp-yolo模型對待識別數(shù)據(jù)集進行交通標志小目標的檢測識別。

25、進一步地，所述數(shù)據(jù)采集模塊，具體的，利用車載監(jiān)控收集交通標志圖片，將圖片進行分類處理，利用mosaic數(shù)據(jù)增強方法對圖片進行預處理，對處理后的圖片利用labelimg進行標注，獲得待識別數(shù)據(jù)集。

26、進一步地，所述模型改進模塊，具體包括：

27、上下采樣改進單元，用于利用wpooling模塊改進yolov8的上采樣和下采樣，解決小目標的混疊問題，提高小目標的檢測精度,具體的：

28、通過yolov8的backbone部分從數(shù)據(jù)集的圖像中提取特征，對被反向傳播的圖像特征進行一階小波分解；分解后，細節(jié)系數(shù)子帶向上采樣2倍，以創(chuàng)建一個新的一級分解；

29、隨后wpooling模塊根據(jù)快速小波變換在小波域進行二階分解fwt，公式如下：

30、

31、其中，為近似函數(shù)，ψ為細節(jié)函數(shù)，和wψ分別為近似系數(shù)和細節(jié)系數(shù)，和hψ[-n]分別為時間逆尺度和小波向量，n表示向量中的樣本，j表示分辨率水平，k為參數(shù)；

32、在進行二階分解后，使用二階小波子帶重建圖像特征，使用逆fwt將圖像特征池化2倍：

33、

34、csp_ptb優(yōu)化單元，用于設計混合結(jié)構(gòu)，將輸入特征圖分為兩部分，分別由卷積神經(jīng)網(wǎng)絡cnn和transformer處理以增強特征提取的能力，并通過csp_ptb模塊對輸入通道進行部分分配以優(yōu)化計算效率和特征提取能力。

35、進一步地，所述csp_ptb優(yōu)化單元具體實現(xiàn)方法為：

36、采用partially?transformer?block模塊，對部分通道使用transformerblock；

37、結(jié)合convolutionalglu模塊，構(gòu)建mhsa_cglu模塊，利用多頭自注意力機制mutil-head-self-attention提取全局特征，通過convolutionalglu增強非線性特征表達能力；

38、通過self-attention計算出三個新的向量query、key和value，將query、key、value通過一個線性映射后，分成若干份，對每一份進行縮放點積注意力scaled?dot-product?attention；將各部分的結(jié)果合并起來，再次經(jīng)過線性映射，得到最終的輸出；

39、在glu門控分支的激活函數(shù)前加入最小形式的3×3深度卷積，將其轉(zhuǎn)化為基于最近鄰特征的門控通道注意機制。

40、基于相同的發(fā)明構(gòu)思，本發(fā)明還提供了一種計算設備，包括：一個或多個處理器、一個或多個存儲器以及一個或多個程序，所述程序存儲在存儲器中并被配置為由處理器執(zhí)行，所述程序被加載至處理器時實現(xiàn)根據(jù)上述任一項所述的交通標志小目標檢測識別方法的步驟。

41、基于相同的發(fā)明構(gòu)思，本發(fā)明還提供了一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序包括程序指令，所述程序指令當被處理器執(zhí)行時使所述處理器執(zhí)行根據(jù)上述任一項所述的交通標志小目標檢測識別方法的步驟。

42、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提出的wpcp-yolo模型，通過改進網(wǎng)絡框架并且通過對輸入通道進行部分分配來優(yōu)化計算效率和特征提取能力，在保證精度與現(xiàn)有算法相當?shù)耐瑫r使模型更加簡單，達到了顯著降低了模型的計算量的效果，更加適用于交通標志這類小目標檢測任務。