基于深度学习的交通标志检测与识别方法及系统技术方案

本发明专利技术涉及一种基于深度学习的交通标志检测与识别方法，方法包括获取交通标志数据集并对其进行预处理，获得交通标志图像，提取交通标志图像的特征；将交通标志数据集的特征输入至自适应空间注意力特征融合模型，利用自适应空间注意力特征融合模型提取多尺度特征，并将多尺度特征进行融合生成相应尺度的融合特征；将融合特征输入至层级分组归一化指数函数检测头，获得初步的预测结果，对初步的预测结果进行目标框筛选，得到最终的检测结果。本发明专利技术提出自适应空间注意力特征融合模型和层级分组归一化指数函数，总体上提高了对于小交通标志以及样本匮乏的交通标志类别的检测准确率。率。率。

【技术实现步骤摘要】
基于深度学习的交通标志检测与识别方法及系统


[0001]本专利技术涉及目标检测
，尤其是指一种基于深度学习的交通标志检测与识别方法及系统。

技术介绍

[0002]随着人工智能技术的飞速发展，无人驾驶、辅助驾驶等智能驾驶技术已经成为当前研究和应用的热点。交通标志检测是智能驾驶中交通场景理解的重要内容,通过提供驾驶员当前准确有效的交通标志信息可以提高驾驶时的安全性、舒适性。而提供错误的交通标志信息会导致交通事故、甚至人员伤亡。因此交通标志检测在先进的驾驶辅助系统(ADAS)和自动化驾驶中都发挥着关键作用。
[0003]传统交通标志识别方法通常基于人工提取特征，例如颜色特征、形状特征、哈尔(Haar)特征，局部二值模式(LBP)特征以及方向梯度直方图(HOG)特征等。基于颜色特征的交通检测方法对最常用的交通标志颜色(红色、黄色、蓝色)进行分割，将RGB图像转换为其他颜色空间，以减少光照敏感度，增强目标色调，从而提取感兴趣的区域(Rols)。由于在自然场景中光照条件、天气状况的变化，以及在背景中可能出现与交通标志同一颜色的物体，基于颜色特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的交通标志检测与识别方法，其特征在于，包括以下步骤：获取交通标志数据集并对所述交通标志数据集进行预处理，获得交通标志图像，提取所述交通标志图像的特征；将所述交通标志图像的特征输入至自适应空间注意力特征融合模型，利用自适应空间注意力特征融合模型提取多尺度特征，并将多尺度特征进行融合生成相应尺度的融合特征；将所述融合特征输入至层级分组归一化指数函数检测头，获得初步的预测结果，对初步的所述预测结果进行目标框筛选，得到最终的检测结果。2.根据权利要求1所述的基于深度学习的交通标志检测与识别方法，其特征在于：对所述交通标志数据集进行预处理，包括：对所述交通标志数据集进行标注,每一个交通标志类别对应一个类别ID，并将数据集的json标签格式转换成txt标签格式,每个图像对应一个txt文件。3.根据权利要求2所述的基于深度学习的交通标志检测与识别方法，其特征在于：提取所述交通标志图像的特征，包括：将所述交通标志图像制作为标准尺寸，并将其输入至Yolov5目标检测网络中，利用骨干网络CSPDarknet
‑
53提取图像特征，生成不同尺度的特征图。4.根据权利要求1所述的基于深度学习的交通标志检测与识别方法，其特征在于：利用自适应空间注意力特征融合模型提取多尺度特征，并将多尺度特征进行融合生成相应尺度的融合特征，包括：将所述交通标志图像的特征进行升采样或者降采样操作，得到每个尺度对应的输入特征，将每个尺度的输入特征经过池化操作生成池化特征，对所述池化特征进行卷积操作并拼接，获得拼接特征；对所述拼接特征进行卷积操作，得到相应的空间注意力特征图，将同一尺度的空间注意力特征图经过通道维度归一化指数函数得到相应的权重矩阵，并将同一尺度的权重矩阵与相应的输入特征对应元素相乘进行融合，得到融合特征。5.根据权利要求1或4所述的基于深度学习的交通标志检测与识别方法，其特征在于：将所述融合特征输入至层级分组归一化指数函数检测头，获得初步的预测结果，包括：将不同尺度的融合特征输入至层级分组归一化指数函数检测头，其中第一层级有一组G
1[1]
，第二层级有三组{G
1[2]
,G
2[2]
,G
3[2]
}，第三层级有六组{G
1[3]
,G
2[3]
,G
3[3]
,G
4[3]
,G
5[3]
,G
6[3]
}，通过对样本相对均衡的组应用归一化指数函数得到预测结果。6.根据权利要求5所述的基于深度学习的交通标志检测与识别方法，其特征在于：某一...

【专利技术属性】
技术研发人员：黄伟国，高尔峰，张梓伟，王俊，杜贵府，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：