【技术实现步骤摘要】
一种交通标志及信号灯检测和识别的优化算法
本专利技术属于统计模式识别与图像处理
，具体的说，涉及一种交通标志及信号灯检测和识别的优化算法。
技术介绍
交通标志和信号灯检测是自动驾驶汽车道路场景感知的重要组成部分。交通标志和信号灯检测的关键问题为在满足实时性要求的情况下进行目标的定位与识别，具体是指在复杂的快速移动的图像序列中，检查目标物体是否存在，并精确快速的计算出目标在图像中所处位置的一种技术，要解决的主要问题有处于复杂光照、复杂背景、多尺度、多视角、遮挡等条件下目标识别定位。对于交通信号灯和交通标志的识别，目前多数研究将其视为两个不同的问题：即交通信号灯识别和交通标志识别。传统的交通信号灯识别方法多依赖于信号灯的颜色和形状等直观特征，因此适用性较差；基于深度的学习方法则将其看作是目标检测的特例，如采用YOLO目标检测算法来进行交通信号灯的检测与识别。交通标志检测识别方法的发展比较类似，但是使用基于深度学习的目标检测方法计算代价高昂，运算量无法降低，须使用高功耗、高算力的GPU进行运算，由于车载电源电力供应限...
【技术保护点】
1.一种交通标志及信号灯检测和识别的优化算法，其特征在于，其分为三个阶段：特征提取阶段、区域候选阶段和层次分类阶段；特征提取阶段引入GhostNet的Ghostbottleneck模块构建特征提取网络，在经典图像分类数据集ImageNet上进行大数据训练，得到预训练模型，通过预训练后的特征提取网络提取图像中所包含的丰富的语义信息，并对特征图进行池化处理；区域候选阶段采用Faster-RCNN中的RPN子网获取候选区域，对候选区域对应的特征图进行裁剪和缩放操作，使得所有待分类的特征子图均有相同的尺寸；层次分类阶段分类子网将通过两级渐进的层次分类的方法来对图像进行分类从而识别其...
【技术特征摘要】
1.一种交通标志及信号灯检测和识别的优化算法，其特征在于，其分为三个阶段：特征提取阶段、区域候选阶段和层次分类阶段；特征提取阶段引入GhostNet的Ghostbottleneck模块构建特征提取网络，在经典图像分类数据集ImageNet上进行大数据训练，得到预训练模型，通过预训练后的特征提取网络提取图像中所包含的丰富的语义信息，并对特征图进行池化处理；区域候选阶段采用Faster-RCNN中的RPN子网获取候选区域，对候选区域对应的特征图进行裁剪和缩放操作，使得所有待分类的特征子图均有相同的尺寸；层次分类阶段分类子网将通过两级渐进的层次分类的方法来对图像进行分类从而识别其中的交通信号灯和交通标志。
2.根据权利要求1所述的优化算法，其特征在于，特征提取阶段的具体步骤如下：
(1)构建特征表达网络，对输入图像通过较小普通卷积核提取图像最基本的原始特征，将输出的特征图输入一系列Ghostbottleneck模块，通道逐渐增加，这些Ghostbottleneck根据其输入特征图的大小分为不同的阶段，最后，利用全局平均池和卷积层将特征图转换为特征向量以进行最终分类，将特征表达网络在经典图像分类数据集ImageNet图像分类训练上进行大数据训练，得到预训练模型；
(2)分离特征提取网络，将预训练后的特征表达网络的1-18层作为特征提取层，并对前五层的参数、梯度、batchnormalize系数进行固定，最终对输出的特征图进行平均池化处理。
3.根...
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。