交通指示对象的识别方法和目标检测模型的训练方法技术

本公开提供了一种交通指示对象的识别方法和目标检测模型的训练方法，涉及人工智能领域，具体涉及图像处理、计算机视觉和深度学习技术领域，尤其涉及目标检测、智能交通和智慧城市等场景。交通指示对象的识别方法的具体实现方案为：采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个特征图；其中，道路图像是由终端采集得到的；采用目标检测模型包括的至少两个预测网络对至少两个特征图分别进行处理，得到至少两组检测结果；以及响应于根据至少两组检测结果确定道路图像中包括交通指示对象，确定交通指示对象在道路图像中的位置信息和交通指示对象的类别信息，其中，骨干网络是基于轻量级网络构建的。网络构建的。网络构建的。

【技术实现步骤摘要】
交通指示对象的识别方法和目标检测模型的训练方法


[0001]本公开涉及人工智能领域，具体涉及图像处理、计算机视觉和深度学习
，尤其涉及目标检测、智能交通和智慧城市等场景。

技术介绍

[0002]随着计算机技术和网络技术的发展，深度学习技术在众多领域得到了广泛应用。例如，可以采用深度学习技术对道路中的要素进行识别，以根据识别结果进行地图的更新。

技术实现思路

[0003]本公开旨在提供一种能够应用于终端的交通指示对象的识别方法，以及得到轻量级模型的目标检测模型的训练方法。
[0004]根据本公开的一个方面，提供了一种交通指示对象的识别方法，包括：采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个特征图；采用目标检测模型包括的至少两个预测网络对至少两个特征图分别进行处理，得到至少两组检测结果；以及响应于根据至少两组检测结果确定道路图像中包括交通指示对象，确定交通指示对象在道路图像中的位置信息和交通指示对象的类别信息，其中，骨干网络是基于轻量级网络构建的。
[0005]根据本公开的一个方面，提供了一种目标检测模型的训练方法，包括：采用待训练模型包括的骨干网络提取样本图像在至少两个感受野下的特征图，得到至少两个第一特征图；样本图像包括交通指示对象，且样本图像对应有交通指示对象的真值类别信息和真值位置信息；采用待训练模型包括的至少两个预测网络对至少两个第一特征图分别进行处理，得到至少两组第一检测结果；根据至少两组第一检测结果，确定交通指示对象在样本图像中的第一位置信息和交通指示对象的第一类别信息；以及根据第一位置信息与真值位置信息之间的差异以及第一类别信息与真值类别信息之间的差异，训练待训练模型，得到目标检测模型，其中，骨干网络是基于轻量级网络构建的。
[0006]根据本公开的一个方面，提供了一种交通指示对象的识别装置，包括：特征提取模块，用于采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个特征图；结果预测模块，用于采用目标检测模型包括的至少两个预测网络对至少两个特征图分别进行处理，得到至少两组检测结果；以及信息确定模块，用于响应于根据至少两组检测结果确定道路图像中包括交通指示对象，确定交通指示对象在道路图像中的位置信息和交通指示对象的类别信息，其中，骨干网络是基于轻量级网络构建的。
[0007]根据本公开的一个方面，提供了一种目标检测模型的训练装置，包括：第一特征提取模块，用于采用待训练模型包括的骨干网络提取样本图像在至少两个感受野下的特征图，得到至少两个第一特征图；样本图像包括交通指示对象，且样本图像对应有交通指示对象的真值类别信息和真值位置信息；第一结果预测模块，用于采用待训练模型包括的至少两个预测网络对至少两个第一特征图分别进行处理，得到至少两组第一检测结果；第一信
息确定模块，用于根据至少两组第一检测结果，确定交通指示对象在样本图像中的第一位置信息和交通指示对象的第一类别信息；以及模型训练模块，用于根据第一位置信息与真值位置信息之间的差异以及第一类别信息与真值类别信息之间的差异，训练待训练模型，得到目标检测模型，其中，骨干网络是基于轻量级网络构建的。
[0008]根据本公开的另一个方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开提供的交通指示对象的识别方法或目标检测模型的训练方法。
[0009]根据本公开的另一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开提供的交通指示对象的识别方法或目标检测模型的训练方法。
[0010]根据本公开的另一个方面，提供了一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令在被处理器执行时实现本公开提供的交通指示对象的识别方法或目标检测模型的训练方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开实施例的交通指示对象的识别方法和目标检测模型的训练方法、装置的应用场景示意图；
[0014]图2是根据本公开实施例的交通指示对象的识别方法的流程示意图；
[0015]图3是根据本公开实施例的提取至少两个感受野下的特征图的原理示意图；
[0016]图4是根据本公开实施例的交通指示对象的识别方法的原理示意图；
[0017]图5是根据本公开实施例的目标检测模型的训练方法的流程示意图；
[0018]图6是根据本公开实施例的目标检测模型的训练方法的原理示意图；
[0019]图7是根据本公开实施例的交通指示对象的识别装置的结构框图；
[0020]图8是根据本公开实施例的目标检测模型的训练装置的结构框图；以及
[0021]图9是用来实施本公开实施例的方法的电子设备的框图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]在地图维护场景中，通常将来源于数据渠道方提供的车端行车记录仪拍摄的图像数据回传给服务端，由服务端进行交通指示对象(例如交通标志牌等)的识别，并根据识别结果来进行地图的维护和更新。
[0024]通常，回传给服务端的图像数据大部分都是不包括交通指示对象的无效数据，这
会增加从数据渠道方获取数据的成本。再者，服务端通常会在回传得到目标区域中所有子区域的图像数据后再对图像数据进行集中识别，随后再根据识别结果来对该目标区域的地图数据进行更新。这会导致地图数据的更新通常需要较长的周期。
[0025]本公开提供了一种交通指示对象的识别方法及目标检测模型的训练方法、装置，以仅在图像数据中包括交通指示对象时，将图像数据回传给服务端，以此降低服务端获取图像数据的成本。
[0026]以下将结合图1对本公开提供的方法和装置的应用场景进行描述。
[0027]图1是根据本公开实施例的交通指示对象的识别方法和目标检测模型的训练方法、装置的应用场景示意图。
[0028]如图1所示，该实施例的应用场景100可以包括电子设备110，该电子设备110可以为具有处理功能的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和服务器等等。在一实施例中，该电子设备110例如可以为智能车辆上的电子设备，例如可以为行车记录仪或车载终端等。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通指示对象的识别方法，包括：采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个特征图；采用所述目标检测模型包括的至少两个预测网络对所述至少两个特征图分别进行处理，得到至少两组检测结果；以及响应于根据所述至少两组检测结果确定所述道路图像中包括交通指示对象，确定所述交通指示对象在所述道路图像中的位置信息和所述交通指示对象的类别信息，其中，所述骨干网络是基于轻量级网络构建的。2.根据权利要求1所述的方法，其中，所述骨干网络包括逐级连接的多级采样子网络；所述采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图包括：将所述道路图像输入所述骨干网络，由所述多级采样子网络中依次连接的至少两级采样子网络依次输出所述至少两个特征图，其中，所述多级采样子网络中，目标采样子网络及其前一级采样子网络输出的特征图为在相同感受野下的特征图。3.根据权利要求1或2所述的方法，其中：所述骨干网络包括逐级连接的四级采样子网络；所述骨干网络的宽度比例为小于1的值。4.根据权利要求1所述的方法，其中，所述类别信息指示所述交通指示对象属于多个预定类别中各类别的概率；所述多个预定类别包括交通标志牌类别；所述方法还包括：响应于根据所述类别信息确定所述交通指示对象为所述交通标志牌类别，根据所述位置信息裁剪所述道路图像，得到目标图像；以及采用分类模型对所述目标图像进行分类处理，得到所述交通指示对象的子类别信息，其中，所述交通标志牌类别包括多个子类别，所述子类别信息指示所述交通指示对象属于所述多个子类别中各类别的概率；所述分类模型是基于轻量级网络构建的。5.根据权利要求1所述的方法，还包括：响应于根据确定所述道路图像中包括交通指示对象，向服务端发送所述道路图像、所述位置信息和所述类别信息。6.根据权利要求1所述的方法，其中：所述交通指示对象包括以下至少两种类别的对象：交通标志牌、事故指示牌和至少一种施工指示对象；所述骨干网络基于ShuffleNet系列网络构建得到。7.一种目标检测模型的训练方法，包括：采用待训练模型包括的骨干网络提取样本图像在至少两个感受野下的特征图，得到至少两个第一特征图；所述样本图像包括交通指示对象，且所述样本图像对应有所述交通指示对象的真值类别信息和真值位置信息；采用所述待训练模型包括的至少两个预测网络对所述至少两个第一特征图分别进行处理，得到至少两组第一检测结果；根据所述至少两组第一检测结果，确定所述交通指示对象在所述样本图像中的第一位置信息和所述交通指示对象的第一类别信息；以及
根据所述第一位置信息与所述真值位置信息之间的差异以及所述第一类别信息与所述真值类别信息之间的差异，训练所述待训练模型，得到所述目标检测模型，其中，所述骨干网络是基于轻量级网络构建的。8.根据权利要求7所述的方法，还包括：采用所述骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个第二特征图；采用所述至少两个预测网络对所述至少两个第二特征图分别进行处理，得到至少两组第二检测结果；响应于根据所述至少两组第二检测结果确定所述道路图像中包括交通指示对象，确定所述交通指示对象在所述道路图像中的第二位置信息和所述交通指示对象的第二类别信息；以及根据所述第二类别信息、所述第二位置信息和所述道路图像，生成所述样本图像，其中，所述第二类别信息指示所述交通指示对象属于多个预定类别中各类别的概率。9.根据权利要求7所述的方法，其中，所述根据所述第一位置信息与所述真值位置信息之间的差异以及所述第一类别信息与所述真值类别信息之间的差异，训练所述待训练模型，得到所述目标检测模型包括：根据所述第一位置信息与所述真值位置信息之间的差异、所述第一类别信息与所述真值类别信息之间的差异，以及为多个预定类别分配的预定权重，确定所述待训练模型的损失值；以及根据所述损失值，训练所述待训练模型，其中，为所述多个预定类别中尾部类别分配的预定权重大于为所述多个预定类别中其他类别分配的预定权重。10.一种交通指示对象的识别装置，包括：特征提取模块，用于采用目标检测模型包括的骨干网络提取道路图像在至少两个感受野下的特征图，得到至少两个特征图；结果预测模块，用于采用所述目标检测模型包括的至少两个预测网络对所述至少两个特征图分别进行处理，得到至少两组检测结果；以及信息确定模块，用于响应于根据所述至少两组检测结果确定所述道路图像中包括交通指示对象，确定所述交通指示...

【专利技术属性】
技术研发人员：张为明，孙昊，谭啸，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：