[發明專利]基于人工智能的交通信號燈識別方法、裝置、設備及介質

有效

• 申請號: 202010695795.8
• 申請日: 2020-07-20
• 公開（公告）號: CN111738212B
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 吳曉東
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06T3/40;G06T5/50
• 代理公司: 深圳市賽恩倍吉知識產權代理有限公司 44334
• 代理人: 劉麗華;孫芬

1.一種基于人工智能的交通信號燈識別方法，其特征在于，所述基于人工智能的交通信號燈識別方法包括：

響應于接收到的待識別圖像，對所述待識別圖像進行resize處理，得到目標圖像；

利用darknet53網絡提取所述目標圖像的目標特征信息；

將所述目標特征信息輸入至預先訓練的交通信號燈識別模型，輸出至少一種尺度的目標特征圖，其中，所述交通信號燈識別模型采用Mixup算法及殘差注意力網絡訓練而得到，其中，在將所述目標特征信息輸入至預先訓練的交通信號燈識別模型，輸出至少一種尺度的目標特征圖之前，還包括：獲取訓練樣本；對所述訓練樣本以預設數量為一組進行組合運算，得到至少一組訓練數據；將每組訓練數據采用Mixup算法進行合成，得到與每組訓練數據對應的合成圖像；利用darknet53網絡提取每張合成圖像的特征信息；獲取所述darknet53網絡中至少一種尺度的殘差塊；基于殘差注意力網絡對每張合成圖像的特征信息與對應尺度的殘差塊進行拼接，得到拼接結果；對所述拼接結果進行卷積運算，得到每張合成圖像的至少一種尺度的特征圖；獲取預先聚類得到的anchor box；利用所述anchorbox在每個特征圖上進行識別，輸出與每個特征圖對應的anchor box坐標及每個anchorbox坐標的得分；獲取每張合成圖像的至少一種尺度的特征圖中得分最高的anchor box坐標作為每張合成圖像的預測坐標；確定每張合成圖像的實際坐標；基于每張合成圖像的實際坐標及每張合成圖像的預測坐標計算準確率及召回率；計算損失函數的值；當所述準確率達到預設準確率、所述召回率達到預設召回率、所述損失函數的值低于預設損失時，停止訓練，得到所述交通信號燈識別模型，并將所述交通信號燈識別模型存儲于區塊鏈上；

獲取所述交通信號燈識別模型的目標anchor box；

利用所述目標anchor box在每個目標特征圖上進行識別，輸出與每個目標特征圖對應的目標anchor box坐標及每個目標anchor box坐標的目標得分，將所述目標得分最高的目標anchor box坐標作為預測的交通信號燈的位置坐標；

將所述預測的交通信號燈的位置坐標映射到所述待識別圖像上，得到所述待識別圖像的識別結果，并將所述識別結果存儲于區塊鏈上。

2.如權利要求1所述的基于人工智能的交通信號燈識別方法，其特征在于，所述基于殘差注意力網絡對每張合成圖像的特征信息與對應尺度的殘差塊進行拼接，得到拼接結果包括：

獲取所述darknet53網絡的多個層中具有相同尺度的多個特征信息；

對于每種尺度的多個特征信息，對每個特征信息進行壓縮變換，得到多個壓縮數據；

基于對應尺度的殘差塊對所述多個壓縮數據進行squeeze處理，得到多個處理結果；

采用attention算法計算每個處理結果的得分；

將得分最高的處理結果確定為所述拼接結果。

3.如權利要求1所述的基于人工智能的交通信號燈識別方法，其特征在于，所述對所述拼接結果進行卷積運算，得到每張合成圖像的至少一種尺度的特征圖包括：

將所述拼接結果依次輸入至conv_layer層、conv_block層及conv層進行卷積運算，輸出每張合成圖像的至少一種尺度的特征圖。

4.如權利要求1所述的基于人工智能的交通信號燈識別方法，其特征在于，所述基于人工智能的交通信號燈識別方法還包括：

確定每個特征圖對應的anchor box的中心點坐標、每個特征圖對應的anchor box的寬高坐標，及每個anchor box坐標的得分；

根據每個特征圖對應的anchor box的中心點坐標計算中心點坐標誤差；

根據每個特征圖對應的anchor box的寬高坐標計算寬高坐標誤差；

根據每個anchor box坐標的得分計算目標誤差；

計算所述中心點坐標誤差、所述寬高坐標誤差及所述目標誤差的和作為所述損失函數。