一种基于目标检测的路标识别方法技术

本发明专利技术公开了一种基于目标检测的路标识别方法，包括以下步骤：S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；S2、通过LSTM特征提取模块提取轮廓数据的特征数据；S3、将特征数据和对应标签构建为训练数据集；S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型；本发明专利技术解决了现有的目标检测方法识别准确率不高的问题。有的目标检测方法识别准确率不高的问题。有的目标检测方法识别准确率不高的问题。

【技术实现步骤摘要】
一种基于目标检测的路标识别方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于目标检测的路标识别方法。

技术介绍

[0002]随着社会的发展，越来越多的人开始关注无人驾驶技术的发展，而作为综合技术的组成部分之一，通过算法检测识别物体的技术一直在这之中保有着自己的地位。因为近几年深度学习技术取得了一定的突破，卷积神经网络的运用技术也越来越成熟。同时，由于CNN等有关神经网络在智能识别过程中有着自己的独特优势，因此在近些年发展与深度学习相结合的目标检测算法成了目前识别检测算法的一个重要发展方向。但是现有的目标检测方法大多采用CNN神经网络直接对目标图像进行处理，其识别准确率不高。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种基于目标检测的路标识别方法解决了现有的目标检测方法识别准确率不高的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于目标检测的路标识别方法，包括以下步骤：S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；S2、通过LSTM特征提取模块提取轮廓数据的特征数据；S3、将特征数据和对应标签构建为训练数据集；S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型。
[0005]进一步地，所述步骤S1包括以下分步骤：S11、采集路标图像；S12、提取路标图像的轮廓，得到轮廓数据。
[0006]进一步地，所述步骤S12包括以下分步骤：S121、从路标图像中任取一像素点，作为标准点；S122、计算路标图像中其他像素点与标准点的颜色距离，得到多个颜色距离值；S123、将低于颜色阈值的颜色距离值所对应的像素点灰度处理，并赋予低于颜色阈值的颜色距离值所对应的像素点同一种灰度值；S124、将高于颜色阈值的颜色距离值所对应的像素点作为新的标准点；S125、计算灰度化后剩余部分的像素点与新的标准点的颜色距离值，并跳转至步骤S123，直到路标图像灰度化成具有不同灰度值区域的灰度图像；S126、选取灰度图像中非边缘区域的像素点，作为待定点；S127、判断待定点的临近9个像素点的灰度值是否与待定点的灰度值相同，若是，则将该待定点定为待删除点，并跳转至步骤S128，若否，则保留待定点，并跳转至步骤S129；
S128、从待删除点的邻域中任意找到一个像素点，作为新的待定点，并跳转至步骤S127，直到所有灰度图像中非边缘区域所有像素点遍历完；S129、将待删除点删除，所有待定点和边缘区域像素构成轮廓数据。
[0007]上述进一步方案的有益效果：由于光照影响造成路标图像颜色呈现程度略有差异，通过设定颜色阈值，将同一种类颜色的区域赋予一种灰度值，并将不属于这类颜色范围的像素点通过迭代的方式找到其属于的颜色范围，从而赋予其另一种灰度值，实现对路标图像的灰度化，并将各个颜色区域灰度化成不同的灰度值；通过寻找待定点周围临近的9个像素点，若这9个像素点与待定点的灰度值相同，则说明其非轮廓区域，最终需要删除，删除所有非轮廓区域的点，剩余则为轮廓数据。
[0008]进一步地，所述步骤S122中颜色距离值的计算公式为：其中，为像素点与标准点的颜色距离值，为像素点颜色的通道，为标准点颜色的通道，为像素点颜色的通道，为标准点颜色的通道，为像素点颜色的通道，为标准点颜色的通道。
[0009]进一步地，所述步骤S4中目标检测模型的结构包括：第一残差块、第二残差块、第三残差块、第四残差块、第一Maxpool、第二Maxpool、第三Maxpool、Concat层、第一Conv、BN层和第二Conv；所述第一残差块的输入端作为目标检测模型的输入端，其输出端分别第二残差块的输入端和第一Maxpool的输入端连接；所述第二残差块的输出端分别与第三残差块的输入端和第二Maxpool的输入端连接；所述第三残差块的输出端分别与第四残差块的输入端和第三Maxpool的输入端连接；所述Concat层的第一输入端与第一Maxpool的输出端连接，其第二输入端与第二Maxpool的输出端连接，其第三输入端与第三Maxpool的输出端连接，其第四输入端与第四残差块的输出端连接，其输出端与第一Conv的输入端连接；所述BN层的输入端与第一Conv的输出层连接，其输出端与第二Conv的输入端连接；所述第二Conv的输出端作为目标检测模型的输出端。
[0010]进一步地，所述第一Maxpool的窗口大小为3*3；所述第二Maxpool的窗口大小为5*5；第三Maxpool的窗口大小为7*7。
[0011]上述进一步方案的有益效果：通过第一残差块、第二残差块、第三残差块、第四残差块层层提取特征，将每一层提取的特征输入最大池化层，通过不同尺寸的窗口，保留不同程度的特征，通过Concat层将特征汇集，最大程度保留特征的丰富性，提升目标识别的精度。
[0012]进一步地，所述步骤S4中训练过程的损失函数为：
其中，为损失值，为目标检测模型的实际输出，为目标检测模型的预测输出，为目标检测模型的预测输出的区域几何中心的横坐标，为目标检测模型的预测输出的区域几何中心的纵坐标，为目标检测模型的实际输出的区域几何中心的横坐标，为目标检测模型的实际输出的区域几何中心的纵坐标，为涵盖目标检测模型的实际输出和目标检测模型的预测输出的区域中最远两像素点间的直线距离，为目标检测模型的实际输出的区域与目标检测模型的预测输出的区域重叠变化率。
[0013]上述进一步方案的有益效果：本专利技术通过实际输出和预测输出的交集与实际输出和预测输出的并集占比，实际输出中心和实际输出中心的距离与涵盖实际输出和预测输出区域中最远两像素点间的直线距离的比值，以及重叠区域的变化率，去衡量训练过程实际输出与预测输出的差值，使得实际输出逼近预测输出。
[0014]综上，本专利技术的有益效果为：本专利技术通过先对路标图像进行预处理，把关键的轮廓数据提取出来，再通过LSTM特征提取模块提取特征数据，通过特征数据与其对应的标签，训练目标检测模型，一方面降低了数据量，另一方面通过特征数据与其对应的标签，使得目标检测模型准确捕捉特征数据与对应的标签间的对应关系，提升目标识别准确率。
附图说明
[0015]图1为一种基于目标检测的路标识别方法的流程图；图2为LSTM特征提取模块的细胞单元的结构示意图；图3为目标检测模型的结构示意图。
具体实施方式
[0016]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0017]如图1所示，一种基于目标检测的路标识别方法，包括以下步骤：S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；所述步骤S1包括以下分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的路标识别方法，其特征在于，包括以下步骤：S1、采集路标图像，对路标图像进行预处理，得到轮廓数据；S2、通过LSTM特征提取模块提取轮廓数据的特征数据；S3、将特征数据和对应标签构建为训练数据集；S4、采用训练数据集对目标检测模型进行训练，得到训练完成的目标检测模型；S5、采用训练完成的目标检测模型对待识别的路标图像的特征数据进行处理，得到对应的路标类型。2.根据权利要求1所述的基于目标检测的路标识别方法，其特征在于，所述S1包括以下分步骤：S11、采集路标图像；S12、提取路标图像的轮廓，得到轮廓数据。3.根据权利要求2所述的基于目标检测的路标识别方法，其特征在于，所述S12包括以下分步骤：S121、从路标图像中任取一像素点，作为标准点；S122、计算路标图像中其他像素点与标准点的颜色距离，得到多个颜色距离值；S123、将低于颜色阈值的颜色距离值所对应的像素点灰度处理，并赋予低于颜色阈值的颜色距离值所对应的像素点同一种灰度值；S124、将高于颜色阈值的颜色距离值所对应的像素点作为新的标准点；S125、计算灰度化后剩余部分的像素点与新的标准点的颜色距离值，并跳转至步骤S123，直到路标图像灰度化成具有不同灰度值区域的灰度图像；S126、选取灰度图像中非边缘区域的像素点，作为待定点；S127、判断待定点的临近9个像素点的灰度值是否与待定点的灰度值相同，若是，则将该待定点定为待删除点，并跳转至步骤S128，若否，则保留待定点，并跳转至步骤S129；S128、从待删除点的邻域中任意找到一个像素点，作为新的待定点，并跳转至步骤S127，直到所有灰度图像中非边缘区域所有像素点遍历完；S129、将待删除点删除，所有待定点和边缘区域像素构成轮廓数据。4.根据权利要求2所述的基于目标检测的路标识别方法，其特征在于，所述S122中颜色距离值的计算公式为：其中，为像素点与标准点的颜色距离值，为像素点颜色的通道，为标准点颜色的通道，为像素点颜色的通道，...

【专利技术属性】
技术研发人员：金长江，冉燕辉，
申请(专利权)人：成都航空职业技术学院，
类型：发明
国别省市：