[發(fā)明專利]一種交通信號燈倒計時識別系統(tǒng)及其構(gòu)建方法、應用方法

在審

• 申請?zhí)枺?/td>: 202111160244.2
• 申請日: 2021-09-30
• 公開（公告）號: CN113869239A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設計）人: 曹秋陽;周昆陽;楊啟碩;宋錦偉;邵葉秦;施佺;高瞻;許長勇
• 申請（專利權）人: 南通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科家知識產(chǎn)權代理事務所(普通合伙) 11427
• 代理人: 宮建華

本發(fā)明提供一種交通信號燈倒計時識別系統(tǒng)及其構(gòu)建方法、應用方法，涉及計算機檢測系統(tǒng)設計技術領域，其中構(gòu)建方法包含以下步驟：制作交通信號燈數(shù)據(jù)集；交通信號燈倒計時識別模型的特征提取網(wǎng)絡；構(gòu)建基于注意力的多尺度融合模塊；完成端到端交通信號燈倒計時識別模型搭建，并對訓練數(shù)據(jù)集和標簽進行預處理，訓練端到端交通信號燈倒計時識別模型。對于移動端上新采集的圖片，輸入到訓練好的端到端交通信號燈倒計時識別模型，得到交通信號燈倒計時的識別結(jié)果。本申請所提供的一種交通信號燈倒計時識別系統(tǒng)，模型的準確率更高，漏檢率低，速度快。能夠在復雜環(huán)境下對交通燈的識別有著更好的效果，模型的泛化性和實用性更高。

技術領域

本發(fā)明涉及計算機檢測系統(tǒng)設計技術領域，尤其涉及一種交通信號燈倒計時識別系統(tǒng)及其構(gòu)建方法、應用方法。

背景技術

交通信號燈是車輛輔助駕駛和自動駕駛過程中的重要信息。受環(huán)境等因素影響，目前的目標檢測模型對交通信號燈的識別準確率低、漏檢率高，存在較大的安全隱患。而準確、高效的交通信號燈檢測與識別算法是輔助駕駛和自動駕駛的重要研究方向。隨著神經(jīng)網(wǎng)絡技術不斷發(fā)展，有的學者利用NVIDIA Jetson Tegra X2嵌入式平臺，在改進YOLOv3的特征提取網(wǎng)絡的基礎上，引入了輕量化網(wǎng)絡MobileNet，有效地提高了檢測速度，但對于遠距離的交通信號燈檢測效果還有待提高。

現(xiàn)有技術中，基于神經(jīng)網(wǎng)絡的方法雖然在預測速度上取得很大的提升，但是對復雜場景例如：霧天、下雨天的交通信號燈檢測與識別準確率較低。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決現(xiàn)有技術在復雜場景下檢測與識別準確率較低的技術問題。

為了實現(xiàn)上述目的，本發(fā)明采用了如下技術方案：

一種交通信號燈倒計時識別系統(tǒng)的構(gòu)建方法，包含以下步驟：

S1：制作交通信號燈數(shù)據(jù)集：收集交通信號燈圖片，對圖片進行分類并制作成VOC2007格式的數(shù)據(jù)集；

S2：端到端交通信號燈倒計時識別模型的特征提取網(wǎng)絡：選用ResNet50vd作為特征提取的主干網(wǎng)絡，并構(gòu)建Inception-CSP模塊，將網(wǎng)絡stage4的3×3標準卷積替換為3×3可變形卷積DCN；再使用矩陣非極大值抑制法去除重疊框，使用邏輯回歸作為交通信號燈倒計時分類器；

S3：構(gòu)建一種基于注意力的多尺度融合模塊，實現(xiàn)多尺度特征的融合；

S4：完成網(wǎng)絡搭建，并對訓練數(shù)據(jù)集和標簽進行預處理，然后作為輸入訓練端到端交通信號燈倒計時識別模型。

優(yōu)選的，所述S1中交通信號燈圖片收集數(shù)量為8000，并且分類過程中，對圖片進行尺寸歸一化、隨機飽和度調(diào)整、隨機對比度調(diào)整、隨機亮度調(diào)整及Mosaic數(shù)據(jù)增強的處理。

優(yōu)選的，所述S3中：通過采用Feature1和Feature2不同權重w1，w2方式得到最終輸出特征，并將CSPNet加入PANet中。

優(yōu)選的，所述S4的具體步驟為：

S4.1：計算損失函數(shù)，所述損失函數(shù)為三個損失函數(shù)加權得到，所述三個損失函數(shù)分別為類別損失Loss_class、置信度損失Loss_conf、坐標偏差損失Loss_coord，其中，Loss_class使用二值交叉熵Loss，Loss_conf使用二值交叉熵的Loss_conf-obj和Loss_{conf_noobj}，Loss_coord使用CIOULoss，權重比例為1∶1∶2，具體的公式為：

Loss＝0.25×Loss_class+0.25×Loss_conf+0.5×Loss_coord；