[發明專利]基于深度學習的紅綠燈檢測方法、裝置、設備及存儲介質

有效

• 申請號: 202110493920.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113077630B
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 李濤;吳瓊;丁釗;范賢根;徐毅林;姜建滿
• 申請（專利權）人: 安徽江淮汽車集團股份有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06V10/80;G06V20/54;G06K9/62;G06N5/04;G06N3/04
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 薛福玲

1.一種基于深度學習的紅綠燈檢測方法，其特征在于，所述基于深度學習的紅綠燈檢測方法包括以下步驟：

采集在預設路段上的紅綠燈圖像信息和道路場景信息，根據所述紅綠燈圖像信息和所述道路場景信息生成對應的樣本數據集；

獲取當前紅綠燈數據集，根據預設深度學習算法對所述樣本數據集和所述當前紅綠燈數據集進行訓練，以得到目標權重模型；

獲取預設轉換策略，根據所述預設轉換策略對所述目標權重模型進行轉換，得到OM模型；

獲取預設深度學習推理模型庫，根據所述預設深度學習推理模型庫對所述OM模型進行推理，得到對應的推理結果，基于所述推理結果實現對紅綠燈信號的檢測；

所述獲取預設深度學習推理模型庫，根據所述預設深度學習推理模型庫對所述OM模型進行推理，得到對應的推理結果，基于所述推理結果實現對紅綠燈信號的檢測，包括：

獲取預設深度學習推理模型庫，根據所述預設深度學習推理模型庫對所述OM模型進行分類，以得到所述OM模型所屬的目標深度學習推理模型；

提取所述OM模型的目標特征信息；

根據所述目標深度學習推理模型對所述目標特征信息進行推理，得到對應的推理結果，基于所述推理結果實現對紅綠燈信號的檢測；

所述獲取預設轉換策略，根據所述預設轉換策略對所述目標權重模型進行轉換，得到OM模型，包括：

提取所述目標權重模型中的權重值；

獲取預設轉換策略，根據所述預設轉換策略對所述權重值進行轉換，得到目標權重值；

獲取預設權重值，若所述目標權重值大于預設權重值，則根據所述目標權重值得到OM模型。

2.如權利要求1所述的基于深度學習的紅綠燈檢測方法，其特征在于，所述采集在預設路段上的紅綠燈圖像信息和道路場景信息，根據所述紅綠燈圖像信息和所述道路場景信息生成對應的樣本數據集，包括：

獲取預設周期，分別采集在所述預設周期內預設路段上的紅綠燈圖像信息和道路場景信息；

提取所述道路場景信息中的特征信息；

根據所述紅綠燈圖像信息和所述特征信息生成對應的樣本數據集。

3.如權利要求1所述的基于深度學習的紅綠燈檢測方法，其特征在于，所述獲取當前紅綠燈數據集，根據預設深度學習算法對所述樣本數據集和所述當前紅綠燈數據集進行訓練，以得到目標權重模型，包括：

獲取當前紅綠燈數據集，將所述當前紅綠燈數據集與所述樣本數據集進行融合，得到目標紅綠燈數據集；

獲取預設深度學習算法，根據所述預設深度學習算法對所述目標紅綠燈數據集進行訓練，得到目標權重模型。

4.如權利要求3所述的基于深度學習的紅綠燈檢測方法，其特征在于，所述獲取當前紅綠燈數據集，將所述當前紅綠燈數據集與所述樣本數據集進行融合，得到目標紅綠燈數據集，包括：

獲取當前紅綠燈數據集，提取所述當前紅綠燈數據集中對應的當前道路場景信息；

將所述道路場景信息中的特征信息替換所述當前道路場景信息中的特征信息，基于替換特征信息的當前道路場景，得到目標紅綠燈數據集。

5.如權利要求1所述的基于深度學習的紅綠燈檢測方法，其特征在于，所述根據所述目標深度學習推理模型對所述目標特征信息進行推理，得到對應的推理結果，基于所述推理結果實現對紅綠燈信號的檢測之后，還包括：

根據所述推理結果得到對應的識別程序，將所述識別程序內置于目標車輛，以使所述目標車輛在預設路段上根據所述識別程序對所述紅綠燈信息進行識別并反饋對應的識別結果；

獲取預設紅綠燈內置規則，若所述預設紅綠燈內置規則與所述識別結果一致，則表明所述推理結果正確。