[發明專利]交通信號燈識別方法和裝置

有效

• 申請號: 201710831216.6
• 申請日: 2017-09-15
• 公開（公告）號: CN109508580B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 李明;夏添;高涵;翟玉強;陳世佳
• 申請（專利權）人: 阿波羅智能技術（北京）有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種用于無人駕駛車輛的交通信號燈識別方法，其特征在于，所述無人駕駛車輛安裝有圖像采集裝置，所述方法包括：

將所述圖像采集裝置所采集的待處理圖像按照至少一個預設比例進行縮放，得到至少一個縮放圖像；

將所述至少一個縮放圖像輸入至預先訓練的卷積神經網絡，得與所述至少一個縮放圖像中的每一個縮放圖像相對應的交通信號燈的位置信息和類別信息，其中，所述卷積神經網絡用于提取圖像中所顯示的交通信號燈的位置信息和類別信息；

對所得到的位置信息和類別信息進行解析，生成至少一個候選交通信號燈識別結果，并對所生成的候選交通信號燈識別結果進行融合，生成與所述待處理圖像相對應的交通信號燈識別結果；

其中，所述對所得到的位置信息和類別信息進行解析，生成至少一個候選交通信號燈識別結果，包括：針對每個縮放圖像，獲取所述卷積神經網絡輸出的與各個預設類別相對應的矩陣；針對與每個預設類別相對應的矩陣，判斷所述矩陣中是否存在大于預設閾值的數值；響應于確定所述矩陣中存在大于預設閾值的數值，將所述預設類別作為目標類別，并根據所述位置信息，確定所述待處理圖像中與所述目標類別相對應的交通信號燈所在區域的位置；將所述目標類別和所述目標類別的交通信號燈所在區域的位置作為候選交通信號燈識別結果。

2.根據權利要求1所述的交通信號燈識別方法，其特征在于，所述卷積神經網絡通過如下步驟訓練得到：

利用機器學習方法，并基于預置圖像集合、預設的回歸損失函數、預設的分類損失函數和后向傳導算法訓練得到卷積神經網絡，其中，所述回歸損失函數用于表征所述卷積神經網絡輸出的位置信息與所輸入的圖像中的交通信號燈所在區域的位置的差異程度，所述分類損失函數用于表征所卷積神經網絡輸出的類別信息與所輸入的圖像中的交通信號燈的類別的差異程度。

3.根據權利要求2所述的交通信號燈識別方法，其特征在于，所述預置圖像集合中的每一個預置圖像顯示有交通信號燈，且所述預置圖像集合中的每一個預置圖像帶有用于指示所顯示的交通信號燈所在區域的位置的位置標注和用于指示所顯示的交通信號燈的類別的類別標注。

4.根據權利要求3所述的交通信號燈識別方法，其特征在于，所述利用機器學習方法，并基于預置圖像集合、預設的回歸損失函數、預設的分類損失函數和后向傳導算法訓練得到卷積神經網絡，包括：

利用高斯分布對預先建立的初始卷積神經網絡中的參數進行隨機初始化；

執行如下訓練步驟：基于預置圖像集合生成帶有標注的訓練樣本，所述標注中包含交通信號燈的位置信息和類別信息；將所述訓練樣本輸入到所述初始卷積神經網絡進行逐層前向傳播，以得到所述初始卷積神經網絡所輸出的位置信息和類別信息；基于所得到的位置信息和類別信息、所述標注中所包含的位置信息和類別信息，確定預設的回歸損失函數的值和預設的分類損失函數的值；利用鏈式求導法則和反向傳播算法，并基于所述回歸損失函數的值與所述分類損失函數的值之和，逐層計算所述初始卷積神經網絡各層參數的梯度；基于所計算的梯度對所述初始卷積神經網絡進行參數更新；

確定所述訓練步驟的執行次數，響應于確定所述執行次數小于第一預設次數，繼續對進行參數更新后的所述初始卷積神經網絡執行所述訓練步驟；

響應于確定所述執行次數等于所述第一預設次數，對最后執行的第二預設次數的訓練步驟中所得到的參數進行統計，確定目標參數，并將所述初始卷積神經網絡中的參數替換為所述目標參數，得到訓練后的卷積神經網絡，其中，所述第二預設次數小于所述第一預設次數。