基于注意力机制的交通标志检测方法和装置制造方法及图纸

本申请提出一种基于注意力机制的交通标志检测方法和装置，其中，方法包括：通过获取待检测图像，根据贪心策略算法对待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，目标检测区域中包含所有交通标志区域；将至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果，根据非极大抑制算法对所有目标检测区域对应的候选预测结果进行去噪，获取目标预测结果，其中，目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。由此，通过预先训练的检测模型对待检测图像进行交通标志检测，提高了交通标志检测的精度值和效率。

Traffic Sign Detection Method and Device Based on Attention Mechanism

【技术实现步骤摘要】
基于注意力机制的交通标志检测方法和装置
本申请涉及图像处理
，尤其涉及一种基于注意力机制的交通标志检测方法和装置。
技术介绍
随着自动驾驶技术的发展，对道路信息感知能力提出了越来越高的要求，其中，最重要的道路信息就是交通标志信息，从高分辨率的车载摄像中高效提取出交通标志信息至关重要。现有技术中心的交通标志检测方法包括：图像处理方法和基于深度学习的交通标志检测方法。其中，图像处理方法使用图像处理的特征提取算法提取指路标志图像几何特征和字符间距，然后与数据库中的模板对比判断是否为交通标志。其中，基于深度学习的交通标志检测方法，首先通过深度卷积神经网络提取图像特征，之后再通过区域建议网络(RegionProposalNetwork,RPN)生成建议区域，基于建议区域和图像特征对当前区域进行分类，判断是否属于某一类交通标志。但是，现有技术中，交通标志检测技术存在检测精度低、效率低的缺陷。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出一种基于注意力机制的交通标志检测方法，以解决现有技术中交通标志检测方法精度低、效率低的技术问题。本申请一方面实施例提出了一种基于注意力机制的交通标志检测方法，包括：获取待检测图像，其中，所述待检测图像中包含至少一个交通标志区域；根据贪心策略算法对所述待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，所述目标检测区域中包含所有交通标志区域；将所述至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果；根据非极大抑制算法对所述所有目标检测区域对应的候选预测结果进行去噪，获取目标预测结果，其中，所述目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。本申请实施例的基于注意力机制的交通标志检测方法，通过获取待检测图像，根据贪心策略算法对待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，目标检测区域中包含所有交通标志区域；将至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果，根据非极大抑制算法对所有目标检测区域对应的候选预测结果进行去噪，获取目标预测结果，其中，目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。由此，通过预先训练的检测模型对待检测图像进行交通标志检测，提高了交通标志检测的精度值和效率。本申请另一方面实施例提出了一种基于注意力机制的交通标志检测方法，包括：获取模块，用于获取待检测图像，其中，所述待检测图像中包含至少一个交通标志区域；切片模块，用于根据贪心策略算法对所述待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，所述目标检测区域中包含所有交通标志区域；输入模块，用于将所述至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果；筛选模块，用于根据非极大抑制算法对所述所有目标检测区域对应的候选预测结果进行筛选，获取目标预测结果，其中，所述目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。本申请实施例的基于注意力机制的交通标志检测装置，通过获取待检测图像，根据贪心策略算法对待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，目标检测区域中包含所有交通标志区域；将至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果，根据非极大抑制算法对所有目标检测区域对应的候选预测结果进行去噪，获取目标预测结果，其中，目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。由此，通过预先训练的检测模型对待检测图像进行交通标志检测，提高了交通标志检测的精度值和效率。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例提供的一种基于注意力机制的交通标志检测方法的流程示意图；图2为本申请实施例提供的一种贪心策略生成的切片图像的示意图；图3为本申请实施例提供的另一种基于注意力机制的交通标志检测方法的结构示例图；图4为本申请实施例提供的一种根据检测模型预测交通标志的示例图；图5为本申请实施例提供的一种基于注意力机制的交通标志检测装置的结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。现有技术中的交通标志检测技术包括：图像处理方法和基于深度学习的交通标志检测方法。其中，图像处理方法使用图像处理的特征提取算法提取指路标志图像几何特征和字符间距，然后与数据库中的模板对比判断是否为交通标志。其中，基于深度学习的交通标志检测方法，首先通过深度卷积神经网络提取图像特征，之后再通过区域建议网络生成建议区域，基于建议区域和图像特征对当前区域进行分类，判断是否属于某一类交通标志。采用图像处理方法进行交通标志检测时，依赖模板信息，并且对光照变化等适应能力差，在复杂场景下的交通标志检测难以取得理想的效果。采用基于深度学习的交通标志检测方法进行交通标志检测时，需要处理整张图像，而交通标志只占原图很少的比例，因此浪费了大量计算资源，除此之外交通标志相对于原图尺度较小，因此经过深度卷积神经网络后特征较弱，难以有效定位和分类交通标志。针对上述问题，本申请提出了一种基于注意力机制的交通标志检测方法，通过获取待检测图像，根据贪心策略算法对待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，其中，目标检测区域中包含所有交通标志区域；将至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果，根据非极大抑制算法对所有目标检测区域对应的候选预测结果进行去噪，获取目标预测结果，其中，目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。下面参考附图描述本申请实施例的基于注意力机制的交通标志检测方法和装置。图1为本申请实施例提供的一种基于注意力机制的交通标志检测方法的流程示意图。如图1所示，该基于注意力机制的交通标志检测方法包括以下步骤：步骤101，获取待检测图像，其中，待检测图像中包含至少一个交通标志区域。本申请实施例中，待检测图像，可以为车辆行驶过程中，通过车载设备的拍摄系统拍摄车辆行驶周围得到的图像。也可以为通过摄像机在道路两侧拍摄得到的图像。其中，待检测图像中包含至少一个交通标志区域。记为G＝{G1,G2,…Gm}，G中包含每个交通标志区域的位置和类别信息。步骤102，根据贪心策略算法对待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域。其中，目标检测区域中包含所有交通标志区域。其中，贪心策略算法，是一种对某些求最优解问题的更简单、更迅速的设计技术。用贪婪法设计算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，它省去了为找最优解要穷尽所有可能而必须耗费的大量时间，它采本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的交通标志检测方法，其特征在于，所述方法包括以下步骤：获取待检测图像，其中，所述待检测图像中包含至少一个交通标志区域；根据贪心策略算法对所述待检测图像进行切片，得到符合预设条件的至少一个目标检测区域，其中，所述目标检测区域中包含所有交通标志区域；将所述至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果；根据非极大抑制算法对所述所有目标检测区域对应的候选预测结果进行筛选，获取目标预测结果，其中，所述目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。

【技术特征摘要】
1.一种基于注意力机制的交通标志检测方法，其特征在于，所述方法包括以下步骤：获取待检测图像，其中，所述待检测图像中包含至少一个交通标志区域；根据贪心策略算法对所述待检测图像进行切片，得到符合预设条件的至少一个目标检测区域，其中，所述目标检测区域中包含所有交通标志区域；将所述至少一个目标检测区域输入预先训练的检测模型，获取与每个目标检测区域对应的候选预测结果；根据非极大抑制算法对所述所有目标检测区域对应的候选预测结果进行筛选，获取目标预测结果，其中，所述目标预测结果中包含所述待检测图像中的交通标志类别信息和位置信息。2.根据权利要求1所述的检测方法，其特征在于，所述根据贪心策略算法对所述待检测图像进行切片，得到符合预设条件的获取至少一个目标检测区域，包括：通过预设尺寸的滑动窗口以预设间隔在所述待检测图像上连续滑动切片，获取切片后的多个候选检测区域；获取每个候选检测区域中滑动窗口和所述滑动窗口中的交通标志区域的面积交叠比；获取所述每个候选检测区域中包含的交通标志区域的数量；根据所述交通标志区域的数量和所述面积交叠比在所述多个候选检测区域中确定所述目标检测区域。3.根据权利要求1所述的检测方法，其特征在于，所述将所述至少一个目标检测区域输入预先训练的检测模型之前，还包括：提取每个目标检测区域中各个颜色通道的像素值；根据预设算法对所述像素值计算所述各个颜色通道的获取像素计算值；对所述每个目标检测区域中每个颜色通道的像素计算值进行归一化处理。4.根据权利要求1所述的检测方法，其特征在于，所述将所述至少一个目标检测区域输入预先训练的检测模型之前，还包括：获取样本图像；其中，所述样本图像中已标注交通标志类别信息和位置信息将所述样本图像输入至所述检测模型，获取所述样本图像的预测结果，直至所述预测结果中包含的交通类别信息和位置信息，与输入的样本图像对应的交通类别信息和位置信息的相似度大于预设阈值时，完成对所述检测模型的训练。5.根据权利要求4所述的检测方法，其特征在于，所述将所述样本图像输入至所述检测模型，获取所述样本图像的预测结果，包括：将所述样本图像输入至所述检测模型，以便于所述检测模型通过残差神经网络提取所述样本图像的候选图像特征，并根据所述候选图像特征获取所述样本图像中交通标志的预测位置信息，以及获取所述候选图像特征中的每个特征点的权重；获取所述检测模型根据所述候选图像特征、所述预测位置信息和所述每个特征点的权重进行计算得到的目标候选特征；获取所述检测模型将...

【专利技术属性】
技术研发人员：欧中洪，肖芬瑞，熊柏桥，宋美娜，宋俊德，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11