[發(fā)明專利]嵌入式設備中基于深度學習的交通標志檢測方法及系統(tǒng)有效
| 申請?zhí)枺?/td> | 202010634897.9 | 申請日： | 2020-07-03 |
| 公開（公告）號： | CN111767878B | 公開（公告）日： | 2022-11-08 |
| 發(fā)明（設計）人： | 湯淑明;閆志峰;朱海兵;頓海洋 | 申請（專利權(quán)）人： | 中國科學院自動化研究所 |
| 主分類號： | G06V20/58 | 分類號： | G06V20/58;G06V10/80;G06V10/82;G06N3/04 |
| 代理公司： | 北京市恒有知識產(chǎn)權(quán)代理事務所(普通合伙) 11576 | 代理人： | 郭文浩;尹文會 |
| 地址： | 100190 *** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 嵌入式 設備 基于 深度 學習 交通標志 檢測 方法 系統(tǒng) | ||
1.一種嵌入式設備中基于深度學習的交通標志檢測方法，其特征在于，該交通標志檢測方法包括：
步驟A10，獲取包含交通標志的圖像作為輸入圖像；
步驟A20，基于所述輸入圖像，通過改進的特征提取網(wǎng)絡進行淺層特征提取，獲得輸入圖像的淺層特征圖；
步驟A30，通過順次連接的卷積層Conv1、卷積層Conv2、卷積層Conv3、卷積層Conv4、卷積層Conv5和卷積層Conv6構(gòu)建輔助卷積網(wǎng)絡，并通過所述輔助卷積網(wǎng)絡將所述淺層特征圖生成不同尺度的深層特征圖；所述卷積層Conv1、卷積層Conv3、卷積層Conv4和卷積層Conv6的卷積核尺度為3×3；所述卷積層Conv2和卷積層Conv5的卷積核尺度為1×1；
步驟A40，通過特征融合網(wǎng)絡分別進行不同尺度的深層特征圖中每一個深層特征圖與所述淺層特征圖的特征融合，獲得不同尺度的融合特征圖；
步驟A50，基于所述不同尺度的融合特征圖，通過改進的檢測分類器獲取交通標志的預測候選框以及各候選框?qū)念悇e分數(shù)、框偏移量；
步驟A60，基于所述預測候選框以及各候選框?qū)念悇e分數(shù)、框偏移量，通過非極大值抑制獲取交通標志的類別和檢測框。
2.根據(jù)權(quán)利要求1所述的嵌入式設備中基于深度學習的交通標志檢測方法，其特征在于，所述改進的特征提取網(wǎng)絡為將MobileNet網(wǎng)絡的AvgPool層、FC層和Softmax層刪除后的用于特征提取的網(wǎng)絡。
3.根據(jù)權(quán)利要求1所述的嵌入式設備中基于深度學習的交通標志檢測方法，其特征在于，步驟A40包括：
步驟A41，通過特征融合網(wǎng)絡進行所述卷積層Conv1輸出的特征圖的池化操作，獲得第一特征圖；
步驟A42，將所述第一特征圖與所述卷積層Conv3輸出的特征圖進行add操作，獲得第二特征圖；
步驟A43，通過卷積層Conv4進行所述第二特征圖的卷積后，通過特征融合網(wǎng)絡進行均值池化操作，獲得第三特征圖；
步驟A44，將所述第三特征圖與所述卷積層Conv6輸出的特征圖進行add操作，獲得第四特征圖；
步驟A45，所述第一特征圖、第二特征圖、第三特征圖和第四特征圖為不同尺度的融合特征圖。
4.根據(jù)權(quán)利要求1所述的嵌入式設備中基于深度學習的交通標志檢測方法，其特征在于，所述改進的檢測分類器包括所述改進的特征提取網(wǎng)絡的特征層Mobile11和特征層Mobile13以及所述輔助卷積網(wǎng)絡的卷積層Conv4和卷積層Conv6。
5.一種嵌入式設備中基于深度學習的交通標志檢測系統(tǒng)，其特征在于，該交通標志檢測系統(tǒng)包括輸入模塊、淺層特征提取模塊、深層特征提取模塊、特征融合模塊、檢測分類模塊、候選框篩選模塊、輸出模塊；
所述輸入模塊，配置為獲取包含交通標志的圖像作為輸入圖像并輸入至淺層特征提取模塊；
所述淺層特征提取模塊，配置為基于所述輸入圖像，通過改進的特征提取網(wǎng)絡進行淺層特征提取，獲得輸入圖像的淺層特征圖；
所述深層特征提取模塊，配置為基于設定的卷積層構(gòu)建輔助卷積網(wǎng)絡，并通過所述輔助卷積網(wǎng)絡將所述淺層特征圖生成不同尺度的深層特征圖；
所述特征融合模塊，配置為分別進行不同尺度的深層特征圖中每一個深層特征圖與所述淺層特征圖的特征融合，獲得不同尺度的融合特征圖；
所述檢測分類模塊，配置為基于所述不同尺度的融合特征圖，通過改進的檢測分類器獲取交通標志的預測候選框以及各候選框?qū)念悇e分數(shù)、框偏移量；
所述候選框篩選模塊，配置為基于所述預測候選框以及各候選框?qū)念悇e分數(shù)、框偏移量，通過非極大值抑制獲取交通標志的類別和檢測框；
所述輸出模塊，配置為輸出獲取的交通標志的類別和檢測框。
6.一種存儲裝置，其中存儲有多條程序，其特征在于，所述程序適于有處理器加載并執(zhí)行以實現(xiàn)權(quán)利要求1-4任意一項所述的嵌入式設備中基于深度學習的交通標志檢測方法。
7.一種處理裝置，包括處理器，適于執(zhí)行各條程序；以及存儲裝置，適于存儲多條程序；其特征在于，所述程序適于由處理器加載并執(zhí)行以實現(xiàn)權(quán)利要求1-4任一項所述的嵌入式設備中基于深度學習的交通標志檢測方法。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于中國科學院自動化研究所，未經(jīng)中國科學院自動化研究所許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010634897.9/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇：一種新型建筑環(huán)保墻紙涂膠設備
- 下一篇：一種活體檢測方法
