[發明專利]基于深度學習的交通標志標號識別方法

有效

• 申請號: 201911425706.1
• 申請日: 2019-12-31
• 公開（公告）號: CN111191611B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 黃世澤;陶婷;楊玲玉;張肇鑫
• 申請（專利權）人: 同濟大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V20/54;G06V10/764;G06N3/0464;G06N3/08
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳

1.一種基于深度學習的交通標志標號識別方法，其特征在于，包括以下步驟：

步驟S1：從監控攝像頭實時捕捉交通標志標號所在場景圖像；

步驟S2：將步驟S1中捕捉的原始待測場景圖像輸入訓練好的標志標號檢測網絡(網絡1)，識別場景圖像中的標志標號，得到標志標號的邊界框參數；

步驟S3：根據步驟S2中得到的標志標號的邊界框參數將標志標號所在區域從原始圖像中分割出來，將分割出來的標志標號圖像輸入訓練好的字符識別網絡(網絡2)，識別標志標號所在區域的字符，得到字符的類別和邊界框參數；

步驟S4：根據步驟S3中得到的字符的邊界框參數，對所有字符的邊界框的左上角坐標進行排序和組合，得到標志標號的具體內容。

2.根據權利要求1所述的基于深度學習的交通標志標號識別方法，其特征在于，所述步驟S2具體包括：

步驟S21：將所述場景圖像輸入標志標號檢測網絡(網絡1)，得到檢測結果；

步驟S22：若檢測到標志標號，則輸出標志標號的邊界框參數{x_left,x_right,y_top,y_bottom}；若未檢測到標志標號，則輸出“None Sign”提示信息；

所述邊界框參數為標志標號區域矩形邊界框在所述場景圖像中的左邊界的x坐標x_left、右邊界的x坐標x_right、上邊界的y坐標y_top、下邊界的y坐標y_bottom，其中坐標原點位于場景圖像的左上角。

3.根據權利要求2所述的基于深度學習的交通標志標號識別方法，其特征在于，所述標志標號檢測網絡(網絡1)為基于深度學習的目標檢測網絡——YOLO-Tiny網絡，檢測的類別數為1：Sign，即標志標號；

所述標志標號檢測網絡包括conv層、maxpooling層、route層、upsample層、yolo層，一共24層；

所述conv層通過3×3和1×1的卷積核提取原始圖像的基本特征，顏色、紋理、形狀等，步長為1；

所述maxpooling層采用最大池化的方法，對前一層進行最大采樣，滑窗大小為2×2，步長為2；

所述route層將深層的特征圖與淺層的特征圖進行拼接，同時學習深層和淺層的特征；

所述upsample層對圖像進行上采樣；

所述yolo層指定所述場景圖像類別數參數，計算訓練的平均損失值loss，并進行輸出；

第0至11層為6個卷積核大小為3×3的所述conv層，每個所述conv層之后是所述maxpooling層；

第12至15層是4個所述conv層，卷積核大小分別為3×3、1×1、3×3、1×1；

第16層是所述yolo層；

第17層是所述route層，拼接所述第13層的特征圖；

第18層是卷積核大小為1×1的所述conv層；

第19層是所述upsample層；

第20層是所述route層，將第19層的特征圖與所述第8層的特征圖進行拼接；

第21至22層是兩個卷積核大小分別為3×3、1×1的所述conv層；

第23層是所述yolo層，輸出最后的標志標號檢測結果。