交通灯检测方法、电子设备及存储介质技术

本申请实施例公开一种交通灯检测方法、电子设备及存储介质，该方法包括：接收待检测的第一图像；对所述第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像；将所述第二图像输入交通灯检测模型进行处理，获得所述交通灯检测模型输出的检测结果，其中，所述检测结果包括：所述第一图像中是否存在交通灯以及交通灯的位置信息。在交通灯以及交通灯的位置信息。在交通灯以及交通灯的位置信息。

【技术实现步骤摘要】
交通灯检测方法、电子设备及存储介质


[0001]本申请涉及机器视觉
，特别涉及一种交通灯检测方法、电子设备及存储介质。

技术介绍

[0002]交通灯检测是辅助驾驶领域或者自动驾驶领域中极为重要的一项任务，对于车辆的安全行驶起着至关重要的作用。目前的通用目标检测算法在coco等数据集上已经取得了很高的指标，拥有了较高的准确率。但是，交通灯检测和通用目标检测还是有很大的不同的，交通灯检测因为自身任务需求的特性，对于误检测的容忍度比较低，而且交通灯通常需要在远距离就检出，因此目标会普遍偏小，检测难度大，误检测率高。因此，如何有效降低交通灯的误检测率，提升检测性能，是交通灯检测中不得不面对的一个难题。

技术实现思路

[0003]本申请实施例提供一种交通灯检测方法、电子设备及存储介质，以解决现有技术中存在的交通灯误检测率高的技术问题。
[0004]根据本申请的第一方面，公开了一种交通灯检测方法，所述方法包括：
[0005]接收待检测的第一图像；
[0006]对所述第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像；
[0007]将所述第二图像输入交通灯检测模型进行处理，获得所述交通灯检测模型输出的检测结果，其中，所述检测结果包括：所述第一图像中是否存在交通灯以及交通灯的位置信息。
[0008]根据本申请的第二方面，公开了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如第一方面中的交通灯检测方法。/>[0009]根据本申请的第三方面，公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中的交通灯检测方法。
[0010]根据本申请的第四方面，公开了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面中的交通灯检测方法。
[0011]本申请实施例中，接收待检测的第一图像，对第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像，将第二图像输入交通灯检测模型进行处理，获得交通灯检测模型输出的检测结果，其中，检测结果包括：第一图像中是否存在交通灯以及交通灯的位置信息。本申请实施例中，由于交通灯在图像中有显著的位置特征，也就是，位置分布是比较固定的，因此基于这个特征，对待检测图像的位置信息进行编码，将包含有位置编码信息的图像输入到交通灯检测模型中进行处理，可以提高图像中交通灯位置的检测准确率，从而降低在非交通灯位置的误检测率。
附图说明
[0012]图1是本申请实施例提供的一种交通灯检测方法的流程图；
[0013]图2是本申请实施例提供的交通灯检测模型的训练过程的流程图；
[0014]图3是本申请实施例提供的另一种交通灯检测方法的流程图；
[0015]图4是本申请实施例提供的交通灯识别模型的训练过程的流程图；
[0016]图5是本申请实施例提供的一种交通灯检测装置的结构示意图；
[0017]图6是本申请实施例提供的一种电子设备的结构框图。
具体实施方式
[0018]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0019]需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
[0020]近年来，基于人工智能的计算机视觉、深度学习、机器学习、图像处理、图像识别等技术研究取得了重要进展。人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸人的智能的理论、方法、技术及应用系统的新兴科学技术。人工智能学科是一门综合性学科，涉及芯片、大数据、云计算、物联网、分布式存储、深度学习、机器学习、神经网络等诸多技术种类。计算机视觉作为人工智能的一个重要分支，具体是让机器识别世界，计算机视觉技术通常包括人脸识别、活体检测、指纹识别与防伪验证、生物特征识别、人脸检测、行人检测、目标检测、行人识别、图像处理、图像识别、图像语义理解、图像检索、文字识别、视频处理、视频内容识别、三维重建、虚拟现实、增强现实、同步定位与地图构建(SLAM)、计算摄影、机器人导航与定位等技术。随着人工智能技术的研究和进步，该项技术在众多领域展开了应用，例如安全防范、城市管理、交通管理、楼宇管理、园区管理、人脸通行、人脸考勤、物流管理、仓储管理、机器人、智能营销、计算摄影、手机影像、云服务、智能家居、穿戴设备、无人驾驶、自动驾驶、智能医疗、人脸支付、人脸解锁、指纹解锁、人证核验、智慧屏、智能电视、摄像机、移动互联网、网络直播、美颜、美妆、医疗美容、智能测温等领域。
[0021]以辅助驾驶领域或者自动驾驶领域为例，交通灯检测是辅助驾驶领域或者自动驾驶领域中极为重要的一项任务，对于车辆的安全行驶起着至关重要的作用。目前的通用目标检测算法在coco等数据集上已经取得了很高的指标，拥有了较高的准确率。但是，交通灯检测和通用目标检测还是有很大的不同的，交通灯检测因为自身任务需求的特性，对于误检测的容忍度比较低，而且交通灯通常需要在远距离就检出，因此目标会普遍偏小，检测难度大，误检测率高。
[0022]为了解决上述技术问题，本申请实施例提供了一种交通灯检测方法、电子设备及存储介质。
[0023]下面首先对本申请实施例提供的一种交通灯检测方法进行介绍。
[0024]图1是本申请实施例提供的一种交通灯检测方法的流程图，如图1所示，该方法可
以包括以下步骤：步骤101、步骤102和步骤103，其中，
[0025]在步骤101中，接收待检测的第一图像。
[0026]本申请实施例中，第一图像可以为RGB格式的图像，也可以为其他格式的图像，例如YUV格式的图像，本申请实施例对此不作限定。
[0027]在步骤102中，对第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像。
[0028]考虑到交通灯在图像中有着显著的位置特征，即位置分布是比较固定的，一般出现在图像的固定位置区间内，例如出现在图像的1/3～2/3等中间上下位置，一般不会出现在很上面或很下面等边缘处，为避免误识别，本申请实施例中，可以对第一图像中各像素点的位置信息进行编码，以重点关注交通灯在图像中的分布位置。
[0029]本申请实施例中，在对第一图像中每个像素点的位置信息进行编码得到第二图像后，该第二图像中的每个像素点对应多个位置编码信息，以确保编码信息能全面地反映像素点的位置特征。如，第二图像中每个像素点对应两个、三个、四个或者更多等多个位置编码信息，不同的位置编码信息是基于不同的编码方式和/或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通灯检测方法，其特征在于，所述方法包括：接收待检测的第一图像；对所述第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像；将所述第二图像输入交通灯检测模型进行处理，获得所述交通灯检测模型输出的检测结果，其中，所述检测结果包括：所述第一图像中是否存在交通灯以及交通灯的位置信息。2.根据权利要求1所述的方法，其特征在于，所述第二图像中的每个像素点对应多个位置编码信息。3.根据权利要求1或2所述的方法，其特征在于，所述第二图像中的每个像素点对应四个位置编码信息。4.根据权利要求3所述的方法，其特征在于，每个所述像素点所对应的四个位置编码信息是通过两种编码方式生成的。5.根据权利要求3或4所述的方法，其特征在于，所述第二图像中的每个像素点包括七个通道的像素值；其中，所述七个通道的像素值包括三个颜色通道的像素值和四个位置通道的位置编码信息。6.根据权利要求5所述的方法，其特征在于，所述对所述第一图像中像素点的位置信息进行编码，得到包含位置编码信息的第二图像，包括：针对所述第一图像中的每个像素点，基于所述像素点的位置信息和正弦三角函数，确定所述像素点所对应的第一编码信息和第二编码信息，基于所述像素点的位置信息和余弦三角函数，确定所述像素点所对应的第三编码信息和第四编码信息；其中，所述第一编码信息和所述第二编码信息的编码周期不同，所述第三编码信息和所述第四编码信息的编码周期不同；将所述第一编码信息和所述第二编码信息作为所述像素点的四个位置通道中奇数位的位置编码信息，将所述第三编码信息和所述第四编码信息作为所述像素点的四个位置通道中偶数位的位置编码信息，得到包含位置编码信息的第二图像。7.根据权利要求1所述的方法，其特征在于，在所述检测结果指示所述第一图像中存在交通灯的情况下，在所述将所述第二图像输入交通灯检测模型进行处理，获得所述交通灯检测模型输出的检测结果的步骤之后，所述方法还包括:根据所述检测结果中的交通灯的位置信息，从所述第一图像中提取所述交通灯所在区域的第三图像；将所述第三图像输入交通灯识别模型进行处理，获得所述交通灯识别模型输出的识别结果，其中，所述识别结果包括：所述交通灯的颜色信息。8.根据权利要求1
‑
7任一项所述的方法，其特征在于，所述交通灯检测模型通过如下过程训练得到：获取第一训练集，其中，所述第一训练集中包括：初始样本图像和所述初始样本图像的交通灯位置标注信息；对所述初始样本图像中像素点的位置信息进行编码，得到包含位置编码信息的目标样本图像；将所述目标样本图像输入初始检测模型进行处理，获得所述初始检测模型输出的第一
预测结果，基于所述第一预测结果和所述交通灯位置标注信息，对所述初始检测模型中的参数进行调整，直至模型...

【专利技术属性】
技术研发人员：宛开元，彭晓帅，
申请(专利权)人：北京迈格威科技有限公司，
类型：发明
国别省市：