[發明專利]一種基于Nest DNN算法的交通標志動態循跡檢測優化方法

在審

• 申請號: 202010948880.0
• 申請日: 2020-09-10
• 公開（公告）號: CN112215072A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 萬千;林初染;彭國慶;謝振友;龍朝黨;陸盛康
• 申請（專利權）人: 華藍設計(集團)有限公司;桂林電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 成都東恒知盛知識產權代理事務所(特殊普通合伙) 51304
• 代理人: 何健雄;廖祥文

本發明涉及一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，包括構建資源感知調度方案的步驟，構建資源感知調度方案的步驟包括：根據公式為車載設備設置一個代價函數C，來保證派生模型m_v的處理精度和處理速度；對同時運行的檢測模型和識別模型進行調度方案設計，對具有最大代價的程序進行最小化優化，資源感知調度器通過約束條件被進行優化來公正分配運行資源給所有的并發應用程序，從而平衡他們的性能。本發明的優點在于：該發明克服了現有技術的缺陷，提高了車載移動端設備的資源使用效率，提升了模型運行的效率并減少了能耗，改良了車輛在行駛過程中交通標志的檢測識別效果，未來在自動駕駛普及階段可以有效提高車輛運行的安全性和規范性。

技術領域

本發明涉及自動駕駛中的高級駕駛輔助系統技術領域，尤其涉及一種基于NestDNN算法的交通標志動態循跡檢測優化方法。

背景技術

近些年來，我國機動車保有量在不斷增長，據公安部統計，截至2020年6月，全國汽車保有量達2.7億輛，由此引發的交通事故每年都帶來巨額的生命和財產損失。

面對這樣的問題，高級輔助駕駛系統乃至自動駕駛成為了近些年來熱門的解決方案之一，交通標志檢測與識別作為高級輔助駕駛系統的關鍵技術之一，能夠快速檢測道路上的交通標志并準確識別標志可以拓寬駕駛者的視野，實時傳遞道路交通信息，極大提高了駕駛的安全性和舒適性。在自動駕駛領域更是機器決策不可或缺的前置技術之一。

但由于深度學習模型在資源需求方面的問題，多個并行應用在資源局限的情況下會互相爭奪資源，導致流視頻的處理幀率較低；另一方面，在有額外的運行時資源時，壓縮模型也無法利用這些額外資源來修復準確率損失。交通標志的檢測與識別雖然為線性運行的兩個前后程序，但由于道路檢測持續性，在交通標志的識別過程中依舊需要保證交通標志的檢測過程，在車載移動端的內存局限下，小型的車載智能處理分析系統無法滿足現有的深度學習模型資源需求，在檢測識別的精度上會存在問題，若向云端尋求更多的資源需求，則在時效性上會產生額外的延遲。而且目前的高級智能輔助系統由于深度學習模型的資源需求過大，常常會導致資源占用視頻卡頓、識別精度不高或者處理速度慢的問題，無法達到工程應用的要求。

發明內容

本發明的目的在于克服現有技術的缺點，提供了一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，面向車載移動端的智能設備如車載電腦等，利用Nest DNN算法框架對現有深度學習模型技術進行改良，提高了移動端資源分配的效率，減少了運行所需要的時間，利用深度學習模型進行交通標志的檢測與識別，可輔助駕駛員進行駕駛決策，開拓駕駛員的視野范圍，降低道路交通事故的概率，并方便未來的自動駕駛技術的研發與應用

本發明的目的通過以下技術方案來實現：一種基于Nest DNN算法的交通標志動態循跡檢測優化方法，于減少深度學習模型在檢測交通標志時的能耗，提高檢測效率,其特征在于，包括如下步驟：

步驟A、訓練深度學習模型

A1、獲取行車交通標志視頻

步驟A11：行車視頻收集。利用車載攝像頭等視頻監控設備，獲取不同工作日、氣候、時間、地點下的行車視頻。

步驟A12：視頻預處理。對獲取視頻圖像進行預處理，使所有圖像的分辨率保持一致，所含交通標志的分辨率在16X16到128X128之間，并盡量保證交通標志為小目標。選取的圖像可能含一個或多個交通標志，也可能不含交通標志，將符合標準的圖像集等量地分為訓練集和測試集，用于深度學習模型的訓練與測試。

進一步地，小目標為目標尺寸的長寬是原圖像尺寸的0.1，或尺寸小于32×32像素的目標。

A2、訓練交通標志檢測模型

步驟A21:采用darknet深度學習框架，將A1獲取的圖像訓練集導入框架，修改模型最后一層卷積層的卷積核個數與檢測任務匹配。