【技术实现步骤摘要】
交通灯识别方法、交通灯识别装置及计算机可读存储介质
本专利技术涉及机器学习
，特别涉及一种交通灯识别方法、交通灯识别装置及计算机可读存储介质。
技术介绍
随着中国城市道路拥堵程度不断加剧，商家物流的效率遇到了新的挑战，并且中国广袤的面积决定了很多快件处于现代物流的神经末梢之外，在人力成本逐渐提升的今天，如果再纯粹地依靠增加物流配送人员的数量和网点密度，在成本上并不经济，所以破解物流最后一公里，需要借助新科技的力量。互联网公司将无人车作为下一个巨大的产业入口，但进入商用化及实用化阶段，还需不少的时间去做技术和环境的适配优化。在无人配送车的场景分析中，其中一项就是识别交通信号灯。交通灯识别方法有很多种。一是基于图像处理的方法，依靠图像的颜色特征，设定颜色阈值或者是利用特定的颜色空间判断交通等的颜色，但该种方法鲁棒性很差，易受天气及光照的影响；二是使用传统的机器学习方法，如支持SVM(SupportVectorMachine，向量机)，RF(RandomForests,随机森林)等，该种方法需要预先对图像预处理，提取疑似交通灯的候选区域，再将这些候选区域作为样本进...
【技术保护点】
1.一种交通灯识别方法，包括：基于至少一个卷积层和全局平均池化层生成卷积神经网络，所述全局平均池化层级联在所述卷积层之后；利用包含交通灯的训练图像对卷积神经网络进行训练；利用训练后的卷积神经网络对图像中的交通灯进行识别。
【技术特征摘要】
1.一种交通灯识别方法，包括：基于至少一个卷积层和全局平均池化层生成卷积神经网络，所述全局平均池化层级联在所述卷积层之后；利用包含交通灯的训练图像对卷积神经网络进行训练；利用训练后的卷积神经网络对图像中的交通灯进行识别。2.如权利要求1所述的交通灯识别方法，其中，所述全局平均池化层用于对所述卷积层输出的包含交通灯图像的特征图进行全局平均池化处理，以输出包含交通灯图像的特征图的平均值。3.如权利要求2所述的交通灯识别方法，其中，所述全局平均池化层用于对所述卷积层输出的像素值大小包括14×14的3个包含交通灯图像的特征图进行全局平均池化处理。4.如权利要求1所述的交通灯识别方法，其中，所述利用包含交通灯的训练图像对卷积神经网络进行训练包括：将包含交通灯的训练图像预处理为包括640×480像素的分辨率；为预处理后的训练图像加注红灯、绿灯、无灯标签；利用预处理后的训练图像以及加注的标签对卷积神经网络进行训练，使得训练后的卷积神经网络能够识别图像中的红灯、绿灯以及无灯。5.如权利要求1所述的交通灯识别方法，其中，所述利用训练后的卷积神经网络对图像中的交通灯进行识别包括：利用相机摄像头连续采集图像；利用训练后的卷积神经网络对连续采集图像中的交通灯进行识别；若识别到连续五帧图像中存在红色交通灯然后连续五帧图像中存在绿色交通灯，则命令无人车通过交通灯所在的路口。6.如权利要求1所述的交通灯识别方法，其中，所述至少一个卷积层包括三个优化卷积层，用于减少神经网络的配置参数。7.如权利要求1所述的交通灯识别方法，其中，所述基于至少一个卷积层和全局平均池化层生成卷积神经网络包括：将VGG16神经网络的三个全连接层用三个优化卷积层和一个全局平均池化层代替，以生成卷积神经网络。8.如权利要求7所述的交通灯识别方法，其中，所述三个优化卷积层中的第一个优化卷积层包括1024个滤波器，每个滤波器包括512个滤波核，每个滤波核的大小包括14×14个像素；所述三个优化卷积层中的第二个优化卷积层包括1024个滤波器，每个滤波器包括1024个滤波核，每个滤波核的大小包括1×1个像素；所述三个优化卷积层中的第三个优化卷积层包括3个滤波器，每个滤波器包括1024个滤波核，每个滤波核的大小包括1×1个像素。9.一种交通灯识别装置，包括：卷积神经网络生成模块，用于基于至少一个卷积层和全局平均池化层生成卷积神经网络，所述全局平均池化层级联在所述卷积层之后；卷积神经网络...
【专利技术属性】
技术研发人员：刘丹，
申请(专利权)人：北京京东尚科信息技术有限公司，北京京东世纪贸易有限公司，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。