【技术实现步骤摘要】
基于heatmap提取关键点的交通信号灯的识别方法、装置、介质
本专利技术属于图像识别领域,具体涉及基于heatmap提取关键点的交通信号灯的识别方法。
技术介绍
如何正确地识别交通信号灯是高级辅助驾驶领域、无人驾驶领域和智能交通领域中至关重要的一环。在实际的城市驾驶环境下,光线强弱的变化、车辆行人的运动模糊等效应都会给信号灯检测带来新的问题。而传统数字图像处理技术对于红绿灯检测主要采用边缘分割、直方图变换等方式,可能在某种实际驾驶环境良好的情况下可以有着不错的表现,但是一旦在光照环境复杂、强光或逆光等情况下,传统数字图像处理技术的识别准确率就很低了,不具备泛化能力。随着人工智能的快速发展,深度学习技术广泛应用于计算机视觉的诸多方面,在图片分类、目标定位、图像分割、图像增强等领域发展迅速。基于深度学习的目标检测算法,主要分为两阶段网络算法和单阶段网络算法。两阶段网络首先从一张图像中生成稀疏的候选区域,并对候选区域进行二分类和初步定位,再将稀疏的候选区域送入分类和回归网络中进一步分类和定位得到最后的检测结果。单阶段网络不生成候选区域,直接对图片上固定位置的锚点框(anchor)进行分类和定位。但是现有的深度网络无法很好地完成交通信号灯的提取工作。以Yolo3为例,Yolo3目标识别网络是一个经典的单阶段网络,通常情况下,该网络需要对输入的训练图片下采样32倍,因为交通信号灯通常具有比较小的尺寸,这样做的直接结果就是可能丢失了小目标,在预测锚框时出错。因此,如何将人工智能技术应用于图像中交 ...
【技术保护点】
1.一种基于heatmap提取关键点的交通信号灯的识别方法,其特征在于,步骤如下:/nS1、获取由包含红绿灯的图片样本组成的图像数据集,每一张图片样本均具有标注,所述标注包括红绿灯的外包矩形框以及红绿灯指示方向类别;/nS2、以resnet_50网络作为骨架网络构建交通信号灯识别模型,resnet_50网络的输出的第一特征图经过连续三层反卷积后输出第二特征图,第二特征图分别输入第一输出网络、第二输出网络和第三输出网络中;所述第一输出网络将第二特征图连续通过两个卷积层后得到heatmap,所述heatmap由所有红绿灯指示方向类别各自的热图组成,提取heatmap中每一个红绿灯指示方向类别的热图,判断热图中每一个位置的值是否不小于周围的八个近邻位置,若满足则将其作为一个热点;针对每一个红绿灯指示方向类别的热图中的热点,通过设置阈值筛除热点位置的值小于阈值的热点,剩余的热点作为该红绿灯指示方向类别的热图中的红绿灯外包矩形框中心点进行输出;所述第二输出网络将第二特征图连续通过两个卷积层后输出每个红绿灯外包矩形框中心点的偏移量;所述第三输出网络将第二特征图连续通过两个卷积层后输出每个红绿灯外包 ...
【技术特征摘要】
1.一种基于heatmap提取关键点的交通信号灯的识别方法,其特征在于,步骤如下:
S1、获取由包含红绿灯的图片样本组成的图像数据集,每一张图片样本均具有标注,所述标注包括红绿灯的外包矩形框以及红绿灯指示方向类别;
S2、以resnet_50网络作为骨架网络构建交通信号灯识别模型,resnet_50网络的输出的第一特征图经过连续三层反卷积后输出第二特征图,第二特征图分别输入第一输出网络、第二输出网络和第三输出网络中;所述第一输出网络将第二特征图连续通过两个卷积层后得到heatmap,所述heatmap由所有红绿灯指示方向类别各自的热图组成,提取heatmap中每一个红绿灯指示方向类别的热图,判断热图中每一个位置的值是否不小于周围的八个近邻位置,若满足则将其作为一个热点;针对每一个红绿灯指示方向类别的热图中的热点,通过设置阈值筛除热点位置的值小于阈值的热点,剩余的热点作为该红绿灯指示方向类别的热图中的红绿灯外包矩形框中心点进行输出;所述第二输出网络将第二特征图连续通过两个卷积层后输出每个红绿灯外包矩形框中心点的偏移量;所述第三输出网络将第二特征图连续通过两个卷积层后输出每个红绿灯外包矩形框的高度和宽度;
S3:利用所述图像数据集,通过最小化总损失函数对所述交通信号灯识别模型进行训练;单个图片样本的总损失函数Ldet为:
Ldet=Lk+αoffLoff+αsizeLsize
其中:αoff和αsize为权重系数;
Lk为外包矩形框中心点的损失,且:
Ln为外包矩形框n的损失:
式中:N表示图片样本中红绿灯的外包矩形框n的个数,为热图中第一输出网络预测得到的红绿灯外包矩形框中心点所在位置的预测值,Yn为热图中第一输出网络预测得到的红绿灯外包矩形框中心点所在位置的实际值,和Yn取值范围均为[0,1],值代表该点属于红绿灯外包矩形框中心点的概率,0表示该点不是中心点,1表示该点是中心点;α、β是超参数;
Loff为外包矩形框中心点偏移量损失,且:
式中:为所述第二输出网络输出的红绿灯外包矩形框n的中心点偏移量估计值,为红绿灯外包矩形框n的中心点偏移量实际值;表示向量空间,W和H分别为每一张图片样本的宽度和高度,R表示第二特征图相对于图片样本的下采样倍数;
Lsize为外包矩形框大小损失,且:
式中:是红绿灯外包矩形框n经过R倍下采样后的高度和宽度估计值,sn是红绿灯外包矩形框n的经过R倍下采样后的高度和宽度实际值;
S4、将含有交通信号灯的待识别图片输入所述交通信号灯识别模型中,由所述第一输出网络输出不同红绿灯指示方向类别的红绿灯外包矩形框中心点,由所述第二输出网络输出每个红绿灯外包矩形框中心点的偏移量,由所述第三输出网络输出每个红绿灯外包矩形框的高度和宽度;在heatmap中,根据输出的红绿灯外包矩形框的中心点、偏移量以及高度和宽度,得到红绿灯外包矩形框的标定框,并将标定框重新映射至待识别图片中。
2.如权利要求1所述的基于heatmap提取关键点的交通信号灯的识别方法,其特征在...
【专利技术属性】
技术研发人员:李万清,李华,刘俊,林永杰,袁友伟,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江;33
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。