[發明專利]一種汽車尾燈狀態識別方法

在審

• 申請號: 202010565899.7
• 申請日: 2020-06-19
• 公開（公告）號: CN111881739A
• 公開（公告）日: 2020-11-03
• 發明（設計）人: 戴亮亮;張卡;何佳;尼秀明
• 申請（專利權）人: 安徽清新互聯信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06K9/46;G06K9/62
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 閆客

1.一種汽車尾燈狀態識別方法，其特征在于，包括：

獲取待識別的車尾圖像，并輸入至預先訓練好的尾燈狀態識別模型，該尾燈狀態識別模型包括特征提取網絡和尾燈狀態判別網絡；

利用特征提取網絡提取車尾圖像的尾燈特征向量；

利用尾燈狀態判別網絡對尾燈特征向量進行處理，識別出汽車尾燈的狀態。

2.如權利要求1所述的汽車尾燈狀態識別方法，其特征在于，所述特征提取網絡包括基干網絡和空間注意力模塊，基干網絡的輸出與空間注意力模塊連接；

基干網絡包括卷積層Conv0、全局最大池化層MaxPooling0、全局平均池化層GlobalAvgPooling和殘差模塊ResNeXt block0、ResNeXt block1和ResNeXt block2，卷積層Conv0的輸入為所述待識別的車尾圖像、輸出與全局最大池化層MaxPooling0的輸入連接，全局最大池化層MaxPooling0的輸出依次經殘差模塊ResNeXt block0、ResNeXt block1和ResNeXtblock2后與全局平均池化層Global AvgPooling的輸入連接。

3.如權利要求2所述的汽車尾燈狀態識別方法，其特征在于，所述空間注意力模塊包括空間注意力模塊Spatial Attention Module0、Spatial Attention Module1和SpatialAttention Module2；

所述殘差模塊ResNeXt block0、ResNeXt block1和ResNeXt block2的輸出分別與所述空間注意力模塊Spatial Attention Module0、Spatial Attention Module1和SpatialAttention Module2的輸入連接，

所述殘差模塊ResNeXt block0的輸出與所述空間注意力模塊Spatial AttentionModule0的輸出的Hadamard積作為所述殘差模塊ResNeXt block1的輸入；所述殘差模塊ResNeXt block1的輸出與所述空間注意力模塊Spatial Attention Module1的輸出的Hadamard積作為所述殘差模塊ResNeXt block2的輸入；所述殘差模塊ResNeXt block2的輸出與所述空間注意力模塊Spatial Attention Module2的輸出的Hadamard積作為所述全局平均池化層GlobalAvgPooling的輸入，所述全局平均池化層Global AvgPooling的輸出為所述尾燈特征向量。

4.如權利要求2所述的汽車尾燈狀態識別方法，其特征在于，所述殘差模塊包括卷積層Conv_a、分組卷積Group_Conv、卷積層Conv_c、卷積層Conv_b和卷積層Conv_d，輸入圖像經卷積層Conv_a和卷積層Conv_b輸入，卷積層Conv_a的輸出與分組卷積Group_Conv輸入連接，分組卷積Group_Conv的輸出與卷積層Conv_c輸入連接，卷積層Conv_b的輸出和卷積層Conv_c的輸出經concatenate操作拼接處理后作為卷積層Conv_d的輸入，卷積層Conv_d的輸出為特征圖。

5.如權利要求3所述的汽車尾燈狀態識別方法，其特征在于，所述空間注意力模塊包括全局平均池化層、全局最大池化層、拼接層和卷積層Conv，全局平均池化層和全局最大池化層的輸入為所述殘差模塊輸出的特征圖，全局平均池化層和全局最大池化層的輸出經拼接層拼接處理后作為卷積層Conv的輸入，卷積層Conv的輸出經sigmoid函數激活操作處理得到注意力權重矩陣。

6.如權利要求1所述的汽車尾燈狀態識別方法，其特征在于，燈狀態判別網絡包括門限循環單元層、時序注意力模塊和尾燈狀態分類器，門限循環單元層包括兩個單層循環結構GRU Layer0和GRU Layer1，時序注意力模塊的輸入與單層循環結構GRU Layer0連接、輸出與單層循環結構GRU Layer1連接，單層循環結構GRU Layer1的輸出與尾燈狀態分類器連接。