[發明專利]交通信號燈檢測方法、裝置、電子設備和存儲介質

在審

• 申請號: 202011292400.6
• 申請日: 2020-11-18
• 公開（公告）號: CN112288031A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 歐陽真超;董曉云;崔家赫;李延祺;牛建偉
• 申請（專利權）人: 北京航空航天大學杭州創新研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京新知遠方知識產權代理事務所(普通合伙) 11397
• 代理人: 馬軍芳;張艷

本申請實施例提供了一種交通信號燈檢測方法、裝置、電子設備和存儲介質，通過交通信號燈檢測模型對獲取到的待檢測圖像進行卷積處理，從而獲取所述待檢測圖像中包括的交通信號燈的候選區域；再通過交通信號燈分類模型對候選區域進行分類運算，最終獲得所述待檢測圖像中包括的交通信號燈的類別。本申請在進行交通信號燈的類別檢測時，僅需要對預先檢測到的候選區域進行分類運算，而不是對整個圖像進行分類運算，在無需對模型尺寸進行壓縮的前提下，提高交通信號燈類別檢測的速度和效率，降低了檢測過程中需要占用的內存，同時也保證了交通信號燈檢測結果的準確度。

技術領域

本申請涉及自動駕駛技術，具體地，涉及一種交通信號燈檢測方法、裝置、電子設備和存儲介質。

背景技術

隨著技術的發展，汽車的智能化程度越來越高，汽車的自動駕駛功能也受到越來越多的人的青睞。在汽車的自動駕駛系統中，交通信號燈檢測技術是其中較為重要的組成模塊之一。

目前，為了能夠檢測交通信號燈的顏色及轉向箭頭方向，可以通過圖像處理的方式檢測圖像中的交通信號燈的位置和顏色。然而，用于進行交通信號燈檢測的圖像往往是大視野高清圖像或由多個攝像頭拍攝的圖像拼接組成的高清圖像，若直接通過卷積神經網絡對高清圖像進行檢測，則會導致檢測速度較慢，且占用的顯存過大，若為了提高檢測速度而對模型的尺寸進行壓縮，則會降低檢測結果的精度。

發明內容

本申請實施例中提供了一種交通信號燈檢測方法、裝置、電子設備和存儲介質，以解決現有技術在無人駕駛車載環境等低功耗嵌入式設備中部署的檢測模型精度較低且檢測速度較慢的技術問題。

根據本申請實施例的第一個方面，提供了一種交通信號燈檢測方法，應用于電子設備，所述方法包括：

通過交通信號燈檢測模型對獲取到的待檢測圖像進行卷積處理，以獲取所述待檢測圖像中包括的交通信號燈的候選區域；

通過交通信號燈分類模型對所述候選區域進行卷積分類運算，獲得所述待檢測圖像中包括的交通信號燈的類別，其中，所述類別包括黃燈、紅燈、綠燈及轉向箭頭燈中的至少一種。

在可選的實施方式中，所述方法還包括：

通過交通信號燈分類模型對所述候選區域進行卷積分類運算，獲得所述待檢測圖像中包括的交通信號燈在所述待檢測圖像中的位置信息。

在可選的實施方式中，在通過交通信號燈檢測模型對獲取到的待檢測圖像進行卷積處理之前，所述方法還包括：

對所述待檢測圖像進行預處理，將所述待檢測圖像轉化為灰度圖像。

在可選的實施方式中，交通信號燈檢測模型包括多個卷積主干網絡及目標檢測層，通過交通信號燈檢測模型對獲取到的待檢測圖像進行卷積處理，以獲取所述待檢測圖像中包括的交通信號燈的候選區域，包括：

對所述待檢測圖像的灰度圖像進行降采樣；

將降采樣后的灰度圖像分別輸入至多個所述卷積主干網絡中進行運算，獲得所述灰度圖像的多個不同尺寸的下采樣特征圖；

對所述灰度圖像的多個不同尺寸的下采樣特征圖進行融合，獲得融合特征圖；

對所述融合特征圖進行上采樣，并與主干網淺層對應尺度的特征圖進行跨層融合，獲得融合特征圖的多個上采樣特征圖；

通過目標檢測層分別對所述融合特征圖的多個上采樣特征圖進行目標檢測，輸出目標檢測結果，其中，所述目標檢測結果為所述灰度圖像中包括的交通信號燈的候選區域。

在可選的實施方式中，在通過目標檢測層分別對多個所述上采樣特征圖進行目標檢測之前，所述方法還包括：

通過空間金字塔池化層對所述上采樣特征圖進行特征增強處理。