一种基于多尺度注意机制网络模型的语义交通信号灯检测方法技术

本发明专利技术公开一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，采集真实道路上包含各类交通信号灯的图像数据，据构建道路交通信号检测的基准数据集。构建适用于道路交通信号灯检测的多尺度注意机制网络模型。在多尺度注意机制网络模型中，训练采集的各类交通道路信号灯及标注好的语义信息数据，得到训练好的权重。采集真实道路上包含有交通信号灯的图像数据，并输入多尺度注意机制网络模型，利用得到的权重，检测出真实道路上交通信号灯的语义类别。本发明专利技术解决了现有有关交通信号灯检测时不能识别交通信号灯语义的局限性，提高了交通信号灯检测场景中检测的成功率和准确性。

A semantic traffic light detection method based on multi-scale attention mechanism network model

The invention discloses a semantic traffic light detection method based on a multi-scale attention mechanism network model, which collects image data of various traffic lights on a real road, and constructs a reference data set for road traffic signal detection. A multi-scale attention mechanism network model for road traffic signal detection is constructed. In the multi-scale attention mechanism network model, the training collected all kinds of traffic lights and labeled semantic information data to get the training weight. Collect the image data of traffic lights on the real road, input the multi-scale attention mechanism network model, and use the obtained weight to detect the semantic category of traffic lights on the real road. The invention solves the limitation that the existing traffic light detection can not recognize the meaning of the traffic light, and improves the success rate and accuracy of the detection in the traffic light detection scene.

【技术实现步骤摘要】
一种基于多尺度注意机制网络模型的语义交通信号灯检测方法
本专利技术实施例涉及智能汽车
，涉及一种计算机视觉结合深度学习的特定场景下的目标检测方法，具体是一种基于多尺度注意机制网络模型的语义交通信号灯检测方法。
技术介绍
自主驾驶智能汽车是一种集环境感知、规划决策、运动控制功能于一体的智能驾驶平台。无人驾驶汽车在行驶的过程中，对周围环境的感知需求是多方面的，其中对交通信号灯的检测更是尤为重要，车辆往往会根据交通信号灯的检测结果，执行停下、转向或继续前进等命令。因此在无人驾驶技术研究中，对路段中交通信号灯的检测是必不可少的环节。现有技术中，主要利用单目或双目相机作为主要传感器进行检测。在实际的交通信号灯检测场景中，国内外的研究人员也面临着不少难点。首先，交通信号灯在整个相机取景画面中所占区域比例非常小，有时甚至连人眼都无法准确辨别其信息。其次，交通信号灯的检测很容易受环境影响，像如若复杂照明、遮挡、恶劣天气等情况，检测的成功率和准确性会大打折扣。再者，就是数据集的稀缺，现有的数据集大都只关注到信号灯的颜色，而缺乏对交通信号灯语本文档来自技高网...

【技术保护点】
1.一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，包括如下步骤：/nS1，采集各类交通道路信号灯的图像数据，在采集的各类交通道路信号灯的图像数据标注含特定语义类别的交通道路信号灯数据，将含特定语义类别的交通道路信号灯数据构建为道路交通信号检测的基准数据集；/nS2，构建适用于交通道路信号灯检测的多尺度注意机制网络模型；/nS3，在S2建立的多尺度注意机制网络模型中，训练S1采集各类交通道路信号灯及标注好的语义信息数据，得到训练好的权重；/nS4，采集真实道路上包含有交通信号灯的图像数据，并输入多尺度注意机制网络模型，利用S3得到的权重，检测出真实道路上交通信号灯的语义类别...

【技术特征摘要】
1.一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，包括如下步骤：
S1，采集各类交通道路信号灯的图像数据，在采集的各类交通道路信号灯的图像数据标注含特定语义类别的交通道路信号灯数据，将含特定语义类别的交通道路信号灯数据构建为道路交通信号检测的基准数据集；
S2，构建适用于交通道路信号灯检测的多尺度注意机制网络模型；
S3，在S2建立的多尺度注意机制网络模型中，训练S1采集各类交通道路信号灯及标注好的语义信息数据，得到训练好的权重；
S4，采集真实道路上包含有交通信号灯的图像数据，并输入多尺度注意机制网络模型，利用S3得到的权重，检测出真实道路上交通信号灯的语义类别。


2.根据权利要求1所述的一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，S1中，采用多个不同种类的汽车，采集各类交通道路信号灯的图像数据，图像数据涵盖了多条不同的时段以及不同天气下的多样化的城乡道路。


3.根据权利要求1所述的一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，S1中，在采集的各类交通道路信号灯的图像数据标注含特定语义类别的交通道路信号灯数据时，采用标注工具对采集到的各类交通道路信号灯的图像数据进行标注，由矩形选框选定交通信号灯并标注交通信号灯的具体类别。


4.根据权利要求1所述的一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，S1中，交通道路信号灯的予以类别包括：红灯直行箭头、红灯右转箭头、红灯左转箭头、红灯圆圈、红灯调头箭头、绿灯直行箭头、绿灯右转箭头、绿灯左转箭头、绿灯圆圈、绿灯调头箭头及无灯状态。


5.根据权利要求1所述的一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，S2中，多尺度注意机制网络模型MSA包括特征提取模块、注意模块和检测模块；
其中，特征提取模块用于提取输入图像数据的特征，生成特征图；注意模块能够利用特征提取模块提取的特征对图像中监测对象进行突出处理；检测模块用于检测注意模块的处理结果，获取输入图像数据中的交通道路信号灯信息。


6.根据权利要求5所述的一种基于多尺度注意机制网络模型的语义交通信号灯检测方法，其特征在于，特...

【专利技术属性】
技术研发人员：魏平，冯洋，杨昊月，孔德乾，孙宏滨，郑南宁，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61