[發(fā)明專利]一種面向深度智駕應用的交通標志識別方法

有效

• 申請?zhí)枺?/td>: 201710459554.1
• 申請日: 2017-06-16
• 公開（公告）號: CN107368787B
• 公開（公告）日: 2020-11-10
• 發(fā)明（設計）人: 趙祥模;劉占文;高濤;樊星;沈超;王潤民;徐志剛;周經美;李強;連心雨;孔凡杰
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種面向深度智駕應用的交通標志識別方法，其特征在于，具體包括以下步驟：

1)、首先對多源公測數據集進行數據增強；

2)、然后對檢測網絡與識別網絡進行交替迭代訓練；對兩個Resnet_34模型進行交替迭代訓練，用imagenet預訓練模型初始化Resnet_34_1檢測模型、Resnet_34_2識別模型，并微調網絡參數，使用新的分類數據集對Resnet_34_2識別模型進行訓練，得到訓練后的Resnet_34_2_1識別模型，并微調網絡參數；將檢測數據集作為Resnet_34_1檢測模型的訓練數據，使用基于Resnet_34_1檢測模型的多尺度特征圖生成交通標志感興趣區(qū)域，并將其作為Resnet_34_2識別模型的訓練數據，對訓練后的Resnet_34_2_1識別模型進行訓練，然后固定訓練后的Resnet_34_2_1識別模型的卷積層，并對訓練后的Resnet_34_2_1識別模型進行微調，生成更新的Resnet_34_2_2識別模型；

使用更新的Resnet_34_2_2識別模型參數重新初始化為Resnet_34_1_1檢測模型，并使用檢測數據集訓練Resnet_34_1_1檢測模型，固定Resnet_34_1_1檢測模型的卷積層，實現對Resnet_34_1_1檢測模型進行微調，生成更新Resnet_34_1_2檢測模型；

使用基于更新的Resnet_34_1_2檢測模型的多尺度特征圖再次生成交通標志感興趣區(qū)域，固定更新的Resnet_34_2_2識別模型參數，對基于更新的Resnet_34_2_2識別模型參數進行微調，生成識別模型，再重復迭代執(zhí)行上述步驟，直至收斂；

3)、以檢測數據集GTSDB與LISA-TS為數據平臺，基于圖像的多層卷積特征，用自頂向下的多尺度卷積特征融合方法，構造一組表征圖像不同尺度卷積的層次語義特征圖，以實現錨點在具有更多語義集合的多個尺度卷積特征圖上對交通標志感興趣區(qū)域進行提取；基于圖像自底向上的Convnet不同尺度多級下采樣卷積特征圖組輸出f1～f5，最上層的卷積特征圖組f5經過2倍上采樣后，獲得與f4相同的尺寸，f4經過1×1的Inception卷積，獲得與f5相同的通道數，將兩者進行逐個像素累加，經過3×3的卷積，得到一組具有f5與f4語義疊加的特征圖P4；然后依次迭代，直至得到最后一組具有f1～f5所有語義集合的特征圖，由此構成了5個尺度卷積的層次語義特征圖組；

4)、對網絡中間層的串聯(lián)集合與并聯(lián)集合方式進行對比試驗從而獲得更優(yōu)信息流動與更好性能表現的集合網絡。

2.根據權利要求1所述的一種面向深度智駕應用的交通標志識別方法，其特征在于，步驟1)中，選擇多源主流交通標志檢測數據集GTSDB和LISA-TSD，將交通標志識別數據集GTSRB和BTSCB作為初始數據集，將GTSDB與LISA-TSD中具有標注框的正樣本取出，增補至交通標志識別數據集GTSRB與BTSCB中。

3.根據權利要求2所述的一種面向深度智駕應用的交通標志識別方法，其特征在于，步驟1)中，挖掘多源公測識別數據集中同類交通標志圖形內部邊界特征表達，定義高層的多源同類交通標志局部上下文結構相似性度量，依此建立多源公測數據集對于同類交通標志的統(tǒng)一性特征表達以進行同類合并，構成具有統(tǒng)一類別數目的合并識別數據集。

4.根據權利要求3所述的一種面向深度智駕應用的交通標志識別方法，其特征在于，步驟1)中，采用超圖思想建立訓練樣本內部小區(qū)域結構聯(lián)系的相似性度量，隨機選擇一定比例的小區(qū)域中心確定不同裁剪區(qū)域，作為擴展訓練樣本。

5.根據權利要求1所述的一種面向深度智駕應用的交通標志識別方法，其特征在于，采用小尺寸交通標志20×20作為錨點，設置3種比例，在5個尺度卷積的層次語義特征圖組上進行感興趣區(qū)域滑動檢測，然后將感興趣候選區(qū)送入分類器進行標簽預測，待確定為正樣本后送入回歸器，由回歸器進行邊界框的精確回歸與分數預測；

錨點對應的像素區(qū)域及寬高比設置需要根據交通標志目標尺寸設定；圖像采樣尺寸、卷積核及通道數都需要經過實驗論證與網絡測試分析后最終確定。