[發明專利]一種基于空洞卷積的anchor-free交通標志識別方法

有效

• 申請號: 202010072379.2
• 申請日: 2020-01-21
• 公開（公告）號: CN111291660B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 褚晶輝;黃浩;呂衛
• 申請（專利權）人: 天津大學
• 主分類號: G06V20/58
• 分類號: G06V20/58;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 程毓英

本發明涉及一種基于空洞卷積的anchor?free交通標志識別神經網絡，包括下列步驟：構建交通標志數據集并進行包括剪裁在內的數據預處理；通過深度學習框架PyTorch搭建基于空洞卷積的anchor?free交通標志識別神經網絡；基于空洞卷積的anchor?free交通標志識別神經網絡包括三個部分，分別是由hourglass模塊與殘差塊Residual Block組成的主干路、由特征豐富模塊MSCF組成的跳層和輸出預測部分；模型訓練。

技術領域

本發明涉及一種基于空洞卷積的交通標志識別方法，主要應用于輔助駕駛系統與目標檢測領域。

背景技術

在現實環境中，交通標志的識別是一個具有挑戰性的任務。人類駕駛員可以很容易地找出并識別交通標志，是因為交通標志的設計使用了顏色、形狀和文本等語義性強、適合人類理解的元素的組合。但對于機器而言，由于交通標志的種類多，類別間的區分度不大，各個國家地區的交通標志不盡相同，以及因光照、模糊、部分遮擋和背景復雜等因素，使得難以從復雜場景中定位、準確識別交通標志區域。交通標志能傳達豐富的道路信息且設計簡單、一目了然，主要的交通標志可分為：禁令標志、警告標志和指示標志，用文字或符號向駕駛人傳遞引導、限制、警告或指示信息，其根本目的是保障車輛有序、安全的行駛。因此，如何設計和優化算法提高對交通標志的檢測與識別率已經成為自動駕駛系統研究領域的關注重點之一。

卷積神經網絡的應用開啟了交通標志識別的新篇章，近年來受到了國內外研究學者的廣泛關注和研究。目前基于卷積神經網絡的常用交通標志識別方法有Faster-RCNN、SSD和YOLO等。SSD和YOLO屬于單階段的目標檢測方法，直接產生物體的類別概率和位置坐標值，經過單次檢測即可直接得到最終的檢測結果。Faster-RCNN屬于雙階段的目標檢測方法，需要先產生目標候選框，也就是需要經過RPN網絡做一遍二分類，然后再對候選框做分類與回歸。專利“一種基于卷積神經網絡的交通標志檢測方法”(CN110210362A)設計了一種分類與定位分離的交通標志識別神經網絡，采用Retinanet作為基礎檢測神經網絡的檢測框架，并采用帶有殘差學習模塊的ResNet-152作為神經網絡的特征提取模塊。專利“基于F-RCNN的遠距離交通標志檢測識別方法”(CN110163187A)提出了一種基于F-RCNN的遠距離交通標志檢測識別方法，它用于解決現有近距離檢測識別方法在進行遠距離交通標志識別時精度低的問題。

這些技術方法的一個共同組成部分是anchor，它們是包含各種尺寸和寬高比的矩形框，也是用作檢測與識別的候選框。交通標志識別的神經網絡中通常需要生成一組數量非常大的anchor，但其中只有小部分會與ground truth重疊，這在正負樣本之間造成了巨大的不平衡，減慢了訓練速度。針對這一缺點，本發明對現有的交通標志識別方法進行了改進，放棄了使用anchor這種檢測方式，而是直接生成圖像的熱圖，基于交通標志的關鍵點進行檢測與識別。針對目標檢測神經網絡CenterNet進行改進，加入了不同擴張率的空洞卷積來豐富多尺度信息，本發明提出了一種新型的anchor-free交通標志識別神經網絡。

發明內容

針對anchor引入的正負樣本不均衡問題，本發明提出一種基于空洞卷積的anchor-free交通標志識別神經網絡，在此基礎上，給出識別效果比較好的交通標志識別方法。技術方案如下：

一種基于空洞卷積的anchor-free交通標志識別神經網絡，包括下列步驟：

第一步，構建交通標志數據集并進行包括剪裁在內的數據預處理；

第二步，通過深度學習框架PyTorch搭建基于空洞卷積的anchor-free交通標志識別神經網絡；基于空洞卷積的anchor-free交通標志識別神經網絡包括三個部分，分別是由hourglass模塊與殘差塊ResidualBlock組成的主干路、由特征豐富模塊MSCF組成的跳層和輸出預測部分：