[發(fā)明專利]交通信號(hào)燈識(shí)別方法和裝置

有效

• 申請?zhí)枺?/td>: 201710831216.6
• 申請日: 2017-09-15
• 公開（公告）號(hào): CN109508580B
• 公開（公告）日: 2022-02-25
• 發(fā)明（設(shè)計(jì)）人: 李明;夏添;高涵;翟玉強(qiáng);陳世佳
• 申請（專利權(quán)）人: 阿波羅智能技術(shù)（北京）有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京英賽嘉華知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 11204
• 代理人: 王達(dá)佐;馬曉亞

1.一種用于無人駕駛車輛的交通信號(hào)燈識(shí)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(gè)預(yù)設(shè)比例進(jìn)行縮放，得到至少一個(gè)縮放圖像；

將所述至少一個(gè)縮放圖像輸入至預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，得與所述至少一個(gè)縮放圖像中的每一個(gè)縮放圖像相對應(yīng)的交通信號(hào)燈的位置信息和類別信息，其中，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取圖像中所顯示的交通信號(hào)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(jìn)行解析，生成至少一個(gè)候選交通信號(hào)燈識(shí)別結(jié)果，并對所生成的候選交通信號(hào)燈識(shí)別結(jié)果進(jìn)行融合，生成與所述待處理圖像相對應(yīng)的交通信號(hào)燈識(shí)別結(jié)果；

其中，所述對所得到的位置信息和類別信息進(jìn)行解析，生成至少一個(gè)候選交通信號(hào)燈識(shí)別結(jié)果，包括：針對每個(gè)縮放圖像，獲取所述卷積神經(jīng)網(wǎng)絡(luò)輸出的與各個(gè)預(yù)設(shè)類別相對應(yīng)的矩陣；針對與每個(gè)預(yù)設(shè)類別相對應(yīng)的矩陣，判斷所述矩陣中是否存在大于預(yù)設(shè)閾值的數(shù)值；響應(yīng)于確定所述矩陣中存在大于預(yù)設(shè)閾值的數(shù)值，將所述預(yù)設(shè)類別作為目標(biāo)類別，并根據(jù)所述位置信息，確定所述待處理圖像中與所述目標(biāo)類別相對應(yīng)的交通信號(hào)燈所在區(qū)域的位置；將所述目標(biāo)類別和所述目標(biāo)類別的交通信號(hào)燈所在區(qū)域的位置作為候選交通信號(hào)燈識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的交通信號(hào)燈識(shí)別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)通過如下步驟訓(xùn)練得到：

利用機(jī)器學(xué)習(xí)方法，并基于預(yù)置圖像集合、預(yù)設(shè)的回歸損失函數(shù)、預(yù)設(shè)的分類損失函數(shù)和后向傳導(dǎo)算法訓(xùn)練得到卷積神經(jīng)網(wǎng)絡(luò)，其中，所述回歸損失函數(shù)用于表征所述卷積神經(jīng)網(wǎng)絡(luò)輸出的位置信息與所輸入的圖像中的交通信號(hào)燈所在區(qū)域的位置的差異程度，所述分類損失函數(shù)用于表征所卷積神經(jīng)網(wǎng)絡(luò)輸出的類別信息與所輸入的圖像中的交通信號(hào)燈的類別的差異程度。

3.根據(jù)權(quán)利要求2所述的交通信號(hào)燈識(shí)別方法，其特征在于，所述預(yù)置圖像集合中的每一個(gè)預(yù)置圖像顯示有交通信號(hào)燈，且所述預(yù)置圖像集合中的每一個(gè)預(yù)置圖像帶有用于指示所顯示的交通信號(hào)燈所在區(qū)域的位置的位置標(biāo)注和用于指示所顯示的交通信號(hào)燈的類別的類別標(biāo)注。

4.根據(jù)權(quán)利要求3所述的交通信號(hào)燈識(shí)別方法，其特征在于，所述利用機(jī)器學(xué)習(xí)方法，并基于預(yù)置圖像集合、預(yù)設(shè)的回歸損失函數(shù)、預(yù)設(shè)的分類損失函數(shù)和后向傳導(dǎo)算法訓(xùn)練得到卷積神經(jīng)網(wǎng)絡(luò)，包括：

利用高斯分布對預(yù)先建立的初始卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)進(jìn)行隨機(jī)初始化；

執(zhí)行如下訓(xùn)練步驟：基于預(yù)置圖像集合生成帶有標(biāo)注的訓(xùn)練樣本，所述標(biāo)注中包含交通信號(hào)燈的位置信息和類別信息；將所述訓(xùn)練樣本輸入到所述初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行逐層前向傳播，以得到所述初始卷積神經(jīng)網(wǎng)絡(luò)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(biāo)注中所包含的位置信息和類別信息，確定預(yù)設(shè)的回歸損失函數(shù)的值和預(yù)設(shè)的分類損失函數(shù)的值；利用鏈?zhǔn)角髮?dǎo)法則和反向傳播算法，并基于所述回歸損失函數(shù)的值與所述分類損失函數(shù)的值之和，逐層計(jì)算所述初始卷積神經(jīng)網(wǎng)絡(luò)各層參數(shù)的梯度；基于所計(jì)算的梯度對所述初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新；

確定所述訓(xùn)練步驟的執(zhí)行次數(shù)，響應(yīng)于確定所述執(zhí)行次數(shù)小于第一預(yù)設(shè)次數(shù)，繼續(xù)對進(jìn)行參數(shù)更新后的所述初始卷積神經(jīng)網(wǎng)絡(luò)執(zhí)行所述訓(xùn)練步驟；

響應(yīng)于確定所述執(zhí)行次數(shù)等于所述第一預(yù)設(shè)次數(shù)，對最后執(zhí)行的第二預(yù)設(shè)次數(shù)的訓(xùn)練步驟中所得到的參數(shù)進(jìn)行統(tǒng)計(jì)，確定目標(biāo)參數(shù)，并將所述初始卷積神經(jīng)網(wǎng)絡(luò)中的參數(shù)替換為所述目標(biāo)參數(shù)，得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)，其中，所述第二預(yù)設(shè)次數(shù)小于所述第一預(yù)設(shè)次數(shù)。