一种交通标志检测识别方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种交通标志检测识别方法、系统、装置及存储介质，所述方法包括获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF‑YOLOv3卷积神经网络模型；利用DFF‑YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本发明专利技术通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF‑YOLOv3卷积神经网络模型，利用改进的DFF‑YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。本发明专利技术可以广泛应用于深度学习技术领域。

【技术实现步骤摘要】
一种交通标志检测识别方法、系统、装置及存储介质
本专利技术涉及深度学习
，特别是涉及一种交通标志检测识别方法、系统装置及存储介质。
技术介绍
交通标志的检测与识别在辅助驾驶和自动驾驶中具有重大作用，驾驶员或者自动驾驶系统根据获取的正确的交通标志信息，作出及时准确的驾驶决策。现有的深度学习检测算法在交通标志的检测与识别中已经作出了巨大贡献，如，基于YOLOv3算法的交通标志识别系统，通过检测交通标志的形状和颜色实现交通标志的检测与识别，具有识别精度高、识别结果准确度高和实时性好的特点。但在驾驶条件较为恶劣(道路环境复杂、因下雪下雾导致能见度低、夜晚行车光照不足)的情况下，现有的交通标志识别系统难以对小目标交通标志进行有效及高精度的检测与识别。
技术实现思路
为至少部分地解决上述技术问题之一，本专利技术的目的在于：提供一种交通标志检测识别方法、系统及存储介质。本专利技术一方面所采取的技术方案是：一种交通标志检测识别方法，包括以下步骤：获取交通标志图像；对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本专利技术另一方面所采取的技术方案是：一种交通标志检测识别系统，包括：交通标志获取模块，用于获取交通标志图像；模型建立模块，用于对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；检测识别模块，用于利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。本专利技术另一方面所采取的技术方案是：一种交通标志检测识别装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被至少一个处理器执行，使得所述至少一个处理器实现所述的一种交通标志检测识别方法。本专利技术另一方面所采取的技术方案是：一种存储介质，其中存储有可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述的一种交通标志检测识别方法。本专利技术的有益效果是：本专利技术通过对现有的基于YOLOv3的卷积神经网络模型的残差组件进行改进处理得到改进的DFF-YOLOv3卷积神经网络模型，利用改进的DFF-YOLOv3卷积神经网络模型对获取的小目标交通标志图像进行检测识别，具有实时性好和识别精度高的优点。附图说明图1为本专利技术具体实施例的一种交通标志检测识别方法步骤流程图；图2为本专利技术具体实施例的YOLOv3卷积神经网络模型架构图；图3为本专利技术具体实施例的得到反卷积特征融合模块的流程图；图4为本专利技术具体实施例的一种交通标志检测识别系统结构框图；图5为本专利技术具体实施例的一种交通标志检测识别装置结构框图。具体实施方式以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本专利技术的目的、方案和效果。需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本专利技术中所使用的上、下、左、右等描述仅仅是相对于附图中本专利技术公开的各组成部分的相互位置关系来说的。在本专利技术中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本文所使用的所有的技术和科学术语与本
的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本专利技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。应当理解，尽管在本专利技术中可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本专利技术公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本专利技术的实施例，并且除非另外要求，否则不会对本专利技术的范围施加限制。现有的YOLOv3卷积神经网络模型在图像识别方面的实时性和精度都取得了比较好的成果，但是仅限于对大目标交通标志的检测与识别取得了较好的成果。大目标的交通标志由于占整张图像的像素比例比较高，具有易于识别的特点，如何识别小目标的交通标志或者由于恶劣的天气环境而难以识别的交通标志，是一大亟待解决的难题。如图1所示，本专利技术实施例提供了一种交通标志检测识别方法，包括以下步骤：S101、获取交通标志图像；具体地，获取交通标志图像用于输入到改进的DFF-YOLOv3卷积神经网络模型中进行检测识别。可通过车载摄像头、摄像机、可获取图像的移动终端设备等获取交通标志图像。S102、对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；具体地，本专利技术通过对原有的YOLOv3卷积神经网络模型的残差组件进行处理，得到改进的DFF-YOLOv3卷积神经网络模型。如图2所示，YOLOv3卷积神经网络模型采用了称之为具有Darknet-53的网络结构(含有53个卷积层)，而且在卷积层之间设置有快捷链路(shortcutconnections)。Darknet-53的网络结构中具有若干个残差组件，每一个残差组件包含两个卷积层和一个快捷链路，数个重复的残差组件组成一组残差组件。YOLOv3卷积神经网络模型架构图的左侧的数字(1*、2*、8*、8*、4*)表示一组残差组件中重复的残差组件的个数。如图2所示，通过对残差组件进行处理得到改进的DFF-YOLOv3卷积神经网络模型(DFF-YOLOv3_detection)，以加强对小目标交通标志图像的识别检测的准确率和实时性。S103、利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。具体地，当改进的DFF-YOLOv3卷积神经网络模型构建完毕，制作VOC格式的数据集对改进的DFF-YOLOv3卷积神经网络模型进行训练，训练完毕的DFF-YOLOv3神经网络即可投入使用。进一步作为可选的实施方式，所述步骤S102包括以下步骤S1021-S1023：S1021、根据第二组残差组件和第三组残差组件得到反卷积特征融合模块；S1022、根据第四组残差组件和第五组残差组件得到第一二维卷积模块和第二二维卷积模块；S1023、根据第一二维卷积模块、第二二维卷积模块和反卷积特征融合模块得到DFF-YOLOv3卷积神经网络模型。具体地，在本实施例中，为方便说明本专利技术的技术方案，如图2所示，对卷积神经网络模型架构图中残差组件由上至下分别命名为第一组残差组件、第二组残差组件、第三组残差组件、第四组残差组件和第五组残差组件。本文档来自技高网...

【技术保护点】
1.一种交通标志检测识别方法，其特征在于，包括以下步骤：/n获取交通标志图像；/n对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；/n利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。/n

【技术特征摘要】
1.一种交通标志检测识别方法，其特征在于，包括以下步骤：
获取交通标志图像；
对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型；
利用DFF-YOLOv3卷积神经网络模型对获取的交通标志图像进行检测识别。


2.根据权利要求1所述的一种交通标志检测识别方法，其特征在于，所述残差组件包括第一组残差组件、第二组残差组件、第三组残差组件、第四组残差组件和第五组残差组件，所述对YOLOv3卷积神经网络模型的残差组件进行处理得到DFF-YOLOv3卷积神经网络模型这一步骤，包括以下步骤：
根据第二组残差组件和第三组残差组件得到反卷积特征融合模块；
根据第四组残差组件和第五组残差组件得到第一二维卷积模块和第二二维卷积模块；
根据第一二维卷积模块、第二二维卷积模块和反卷积特征融合模块得到DFF-YOLOv3卷积神经网络模型。


3.根据权利要求2所述的一种交通标志检测识别方法，其特征在于，所述根据第二组残差组件和第三组残差组件得到反卷积特征融合模块这一步骤，包括以下步骤：
对第二组残差组件中的深层特征图进行两次卷积操作得到第一深层特征图；
对第三组残差组件中的浅层特征图进行一次卷积操作得到第一浅层特征图；
根据第一深层特征图和第一浅层特征图得到融合模块；
对融合模块进行三次卷积操作得到反卷积特征融合模块。


4.根据权利要求2所述的一种交通标志检测识别方法，其特征在于，所述根据第四组残差组件和第五组残差组件得到第一二维卷积模块和第二二维卷积模块这一步骤，包括以下步骤：
第四组残差组件进行上采样运算后与第五组残差组件进行融合得到第一融合块，第五组残差组件进行上采样运算后与第四组残差组件进行融合得到第二融合块；
采用二维卷积块...

【专利技术属性】
技术研发人员：李晓欢，陈倩，唐欣，苏昭宇，马新舒，丘源，
申请(专利权)人：广西综合交通大数据研究院，桂林市国创朝阳信息科技有限公司，
类型：发明
国别省市：广西;45