[發明專利]交通標志牌檢測方法、裝置、電子設備及存儲介質

在審

• 申請號: 202011009444.3
• 申請日: 2020-09-23
• 公開（公告）號: CN112132032A
• 公開（公告）日: 2020-12-25
• 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;G06N3/08
• 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: 何春蘭;遲珊珊

本申請涉及人工智能技術領域，可應用于智慧交通場景中，從而推動智慧城市的建設。本申請提供一種交通標志牌檢測方法、裝置、電子設備及存儲介質，方法包括：獲取待檢測圖像；對所述待檢測圖像進行預處理，獲得預處理圖像；將所述預處理圖像輸入至預先訓練好的交通標志牌檢測模型中，獲得檢測結果，其中，所述交通標志牌檢測模型是基于YOLOv3網絡模型進行網絡結構的改進獲得的；輸出所述檢測結果。本發明能提高對交通標志牌的識別準確率。

技術領域

本發明涉及圖像檢測技術領域，尤其涉及一種交通標志牌檢測方法、裝置、電子設備及存儲介質。

背景技術

目前，可以通過YOLOv3網絡模型對道路的交通標志牌進行識別，但在實踐中發現，YOLOv3網絡模型在霧霾、夜間等復雜環境下對交通標志牌的識別準確率不高，影響道路行駛安全。

因此，如何提高對交通標志牌的識別準確率是一個亟需解決的技術問題。

發明內容

鑒于以上內容，有必要提供一種交通標志牌檢測方法，能夠提高對交通標志牌的識別準確率。

本發明的第一方面提供一種交通標志牌檢測方法，所述方法包括：

獲取待檢測圖像；

對所述待檢測圖像進行預處理，獲得預處理圖像；

將所述預處理圖像輸入至預先訓練好的交通標志牌檢測模型中，獲得檢測結果，其中，所述交通標志牌檢測模型是基于YOLOv3網絡模型進行網絡結構的改進獲得的，所述網絡結構的改進包括將EfficientNet網絡與所述YOLOv3網絡模型中的DarkNet53網絡進行融合以及將所述DarkNet53網絡與所述YOLOv3網絡模型中提取的不同尺度的特征圖的殘差連接替換為所述融合網絡與所述特征圖的殘差連接；

輸出所述檢測結果。

在一種可能的實現方式中，所述獲取待檢測圖像之前，所述交通標志牌檢測方法還包括：

獲取預設的所述YOLOv3網絡模型；

將EfficientNet網絡與所述YOLOv3網絡模型中的DarkNet53網絡進行融合，獲得融合網絡；

將所述DarkNet53網絡與所述YOLOv3網絡模型中提取的不同尺度的特征圖的殘差連接替換為所述融合網絡與所述特征圖的殘差連接，獲得初始模型；

獲取預設訓練集；

使用所述預設訓練集對所述初始模型進行訓練，獲得訓練好的交通標志牌檢測模型。

在一種可能的實現方式中，所述將EfficientNet網絡與所述YOLOv3網絡模型中的DarkNet53網絡進行融合，獲得融合網絡包括：

將所述EfficientNet網絡與所述YOLOv3網絡模型中的DarkNet53網絡進行通道合并，獲得合并網絡；

壓縮所述合并網絡，獲得壓縮網絡；

通過預設的兩個全連接神經層對所述壓縮網絡進行重組，獲得注意力網絡；

將所述注意力網絡與所述合并網絡進行注意力加權，獲得所述融合網絡。

在一種可能的實現方式中，所述將所述預處理圖像輸入至預先訓練好的交通標志牌檢測模型中，獲得檢測結果包括：

將所述預處理圖像輸入至預先訓練好的交通標志牌檢測模型中，通過所述EfficientNet網絡獲取所述預處理圖像的第一殘差塊，以及通過所述DarkNet53網絡獲取所述預處理圖像的第二殘差塊；

根據所述第一殘差塊、所述第二殘差塊以及所述融合網絡，生成第一特征圖、第二特征圖以及第三特征圖；