[發明專利]一種面向深度智駕應用的交通標志識別方法

有效

• 申請號: 201710459554.1
• 申請日: 2017-06-16
• 公開（公告）號: CN107368787B
• 公開（公告）日: 2020-11-10
• 發明（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

本發明公開了一種面向深度智駕應用的交通標志識別算法，基于網絡對多源公測數據集平移擴展性與穩定性的考慮，建立多源公測數據集對于交通標志的統一類別表征，通過基于局部上下文信息隨機裁剪的數據增強策略實現了數據集的擴展，以及多尺度卷積特征圖網絡與集合網絡迭代交替驗證訓練策略，得到了性能較好的檢測網絡與識別網絡，使網絡易于訓練且收斂更快；基于自底向上的卷積特征，通過自頂向下融合多尺度卷積特征網絡建模方法，提高小尺寸交通標志的查全率；不追求設計更深更復雜的Convnet以獲取更高的物體識別率，而是針對交通標志目標的特點，通過對比實驗，提出一種能夠獲得更優信息流動與更好性能表現的集合網絡，實現了交通標志的高效識別。

技術領域

本發明屬于交通控制技術領域，具體涉及一種面向深度智駕應用的交通標志識別算法。

背景技術

深度學習是人工智能領域的一個重要分支，基于深度學習架構的人工智能已被廣泛應用于計算機視覺、自然語言處理、傳感器融合、生物識別、自動駕駛等各個領域。2016年9月美國交通運輸部發布了關于自動化車輛的測試與部屬政策，將美國汽車工程學會J3016標準確立為定義自動化或自動駕駛車輛的全球行業參照標準，用以評定六個級別(L0～L5)的自動駕駛技術。目前自動駕駛受到法律及管理政策等因素制約，L4與L5等級的自動駕駛車輛上路行駛還有待時日，，但是具有限制條件的L3自動駕駛技術(即駕駛者無需監視路況，系統可實現特殊工況下車輛的完全控制)預計在未來五年內實現。高級駕駛輔助系統(ADAS)作為L3～L5自動駕駛技術的必要組成部分，需要完成感知、融合、規劃、決策與預警等多種功能。而在有效時間內對復雜交通場景的感知與理解是實現自動駕駛的前提，基于深度學習框架的目標檢測與識別方法為ADAS的駕駛環境感知提供了可靠的解決方案。對于自動駕駛車輛而言，交通標志的正確識別是引導自動駕駛車輛在道路系統中規范行駛的前提，因此，交通標志識別系統是ADAS的一個必要組成部分。

傳統方法如基于模板匹配交通標志檢測與識別算法、基于HOG特征 +SVM分類器的交通標志檢測與識別算法等因為僅僅利用圖像的底層信息而不能具有良好的擴展性與魯棒性。隨著神經網絡的發展以及R-CNN， Fast-rcnn、Faster-rcnn、FPN、Sppnet、Yolo、ResNet、SSD等區域卷積神經網絡的出現，將基于區域的Convnet應用于交通標志的檢測與識別，已成為新的研究方向，并且這種方法在2015與2016的ILSVC大賽中都取得了優異的成績。然而，現有基于Convnet的TSR算法具有一些問題：首先，不同國家相同含義的交通標志具有不同表現形式，但上述研究成果大都采用公測數據集進行測試與評價，故可擴展性與通用性較低；其次，它們對噪聲和遮擋等圖像退化較為敏感，穩定性差；最后，不同的激活函數、網絡參數、網絡層數及分類層的損失函數仍會消耗不同的計算時間，對時效性有一定影響。

發明內容

本發明的目的在于提供一種面向深度智駕應用的交通標志識別算法，以克服現有技術的不足，本發明能夠地提高Convnet的擴展性、穩定性與時效性，以滿足ADAS的實際要求，并挖掘與揭示多尺度網絡與集合網絡內部的特征學習機理，為將來基于深度系統的自動駕駛TSR任務提供一種有效可靠的算法。

為達到上述目的，本發明采用如下技術方案：

一種面向深度智駕應用的交通標志識別算法，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；

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域進行提取；

4)、對網絡中間層的串聯與并聯集合方式進行設計與研究對網絡中間層的串聯集合與并聯集合方式進行對比試驗從而獲得更優信息流動與更好性能表現的集合網絡。