一种基于深度学习的高精度交通标志检测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的高精度交通标志检测方法及系统。其中，该方法将深度学习技术与高精度交通标志检测技术相结合，通过对SSD网络和卷积神经网络进行训练，利用训练好的SSD网络提取来自视频流中按比例进行重叠切割后的交通标志特征，根据SSD网络提取到的交通标志特征，利用训练好的卷积神经网络提取交通标志特征的特征，将提取到的交通标志特征的特征与交通标志图像检测数据库的正负两类交通标志的特征进行匹配，保留正类交通标志特征，得到高精度交通标志匹配筛选结果，有效地提高了高精度交通标志检测的准确率。

High precision traffic mark detection method and system based on depth learning

The invention discloses a method and a system for detecting a high-precision traffic sign based on depth learning. Among them, the deep learning technology and high precision of traffic sign detection technology, through the training of the SSD network and the convolutional neural network, extracted from the video stream according to the proportion of traffic signs overlap after cutting characteristics using the trained SSD network, SSD network traffic signs according to the extracted feature extraction of traffic signs features using convolutional neural network trained, to extract the feature of traffic signs and traffic signs detection of two kinds of positive and negative image database of traffic signs, traffic signs, keep positive characteristics, and high precision of traffic signs, the screening results, effectively improve the accuracy of traffic sign accuracy detection.

【技术实现步骤摘要】
一种基于深度学习的高精度交通标志检测方法及系统
本专利技术属于人工智能领域，尤其涉及一种基于深度学习的高精度交通标志检测方法及系统。
技术介绍
深度学习是目前机器学习发展的最高度，卷积神经网络作为深度学习的一种方法，在物体识别、图像处理等领域有着较好的效果。对于特征提取，卷积神经网络有着可以自动学习图像特征的优势，减少了人工干预，提取出高质量的特征，从而为提高图像匹配的准确率打下了坚实的基础。由于深度学习的方法在图像预处理模块没有做足够的针对性细节处理，图像过大目标物体所占比例过小时可能达不到预期的高精度的检测结果的效果，为了提高检测识别的精确度，通常需要对具体的应用场景和图像内容进行分析并进行图像预处理等。交通标志作为视频监控中的重要目标之一，精确的检测对后续识别，辅助定位导航起着决定性的作用。交通标志的种类众多，大小、角度不依，本身就很难做到精确检测，并且在真实的行车环境中，受到天气、光照等因素的影响，使得交通标志的检测更加困难，尤其在自动驾驶场景中，交通标志的检测和识别对行车周围环境的理解起着至关重要的作用。例如通过检测识别限速标志来控制当前车辆的速度等；另一方面，将交通标志嵌入到高精度地图中，对定位导航也起到关键的辅助作用。有鉴于此，急需解决对交通标志检测的准确率较低的问题。
技术实现思路
为了解决对交通标志检测的准确率较低的问题，本专利技术的第一目的是提供一种基于深度学习的高精度交通标志检测方法。该方法大大地提高了特征提取的准确率和检测精度。本专利技术的一种基于深度学习的高精度交通标志检测方法，包括：步骤1：采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；步骤2：采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；步骤3：利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；步骤4：利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；步骤5：将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；步骤6：将最终的检测结果按比例还原至重叠切割前的交通标志图像中。进一步的，在所述步骤1中，将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。本专利技术通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。进一步的，在所述步骤1训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。进一步的，在所述步骤3训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。本专利技术的第二目的是提供一种基于深度学习的高精度交通标志检测系统。本专利技术的一种基于深度学习的高精度交通标志检测系统，包括：SSD网络训练模块，其用于采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；特征分类模块，其用于采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；卷积神经网络训练模块，其用于利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；特征提取模块，其用于利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；特征匹配模块，其用于将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；图像还原模块，其用于将最终的检测结果按比例还原至重叠切割前的交通标志图像中。进一步的，该系统还包括切割交通标志图像位置记录模块，其用于将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。本专利技术通过采用有重叠的切割方法对图像进行切割，增大了目标物体占原图像的比例，可以有效提高特征提取的准确率，而且保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标为准确还原交通标志图像提高了坐标基础。进一步的，在所述SSD网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。这样能够最优的SSD网络参数，进而准确地提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，为交通标志特征提取的准确率和检测精度奠定的基础。进一步的，在所述卷积神经网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。这样能够最优的卷积神经网络参数，进而准确地提取交通标志图像的交通标志特征的特征，为交通标志特征提取的准确率和检测精度奠定的基础。本专利技术的第二目的是提供一种基于深度学习的高精度交通标志检测系统。本专利技术还提供了另一种基于深度学习的高精度交通标志检测系统。本专利技术的另一种基于深度学习的高精度交通标志检测系统，包括：图像采集装置，其被配置为采集历史的交通标志图像，并传送至服务器；所述服务器，其被配置为：将采集的历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；将最终的检测结果按比例还原至重叠切割前的交通标志图像中。进一步的，所述服务器，还被配置为：将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标本文档来自技高网...

【技术保护点】
一种基于深度学习的高精度交通标志检测方法，其特征在于，包括：步骤1：采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；步骤2：采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；步骤3：利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；步骤4：利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；步骤5：将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；步骤6：将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

【技术特征摘要】
1.一种基于深度学习的高精度交通标志检测方法，其特征在于，包括：步骤1：采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；步骤2：采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；步骤3：利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；步骤4：利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；步骤5：将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；步骤6：将最终的检测结果按比例还原至重叠切割前的交通标志图像中。2.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤1中，将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。3.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤1训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。4.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤3训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。5.一种基于深度学习的高精度交通标志检测系统，其特征在于，包括：SSD网络训练模块，其用于采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；特征分类模块，其用于采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；卷积神经网络训练模块，其用于利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；特征提取模块，其用于利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；特征匹配模块，其用于将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，...

【专利技术属性】
技术研发人员：张卫山，孙浩云，徐亮，李忠伟，宫文娟，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37