基于深度学习的交通标牌杆倾斜角度自动检测方法技术

本发明专利技术公开了一种基于深度学习的交通标牌杆倾斜角度自动检测方法，包含：采集图像；从图像中提取出交通标牌；计算出提取出的交通标牌中交通标牌杆的倾斜角度；计算出提取出的交通标牌中交通标牌杆的倾斜角度的具体方法为：对提取出的包含交通标牌的图片进行缩放处理；从处理后的图片中提取特征图；使用若干预测线在提取的特征图上拟合交通标牌杆并根据拟合结果计算交通标识杆的倾斜角度。本发明专利技术的基于深度学习的交通标牌杆倾斜角度自动检测方法，采用自动识别的方式代替人工检测，极大的节省了人力成本，且检测效率高。且检测效率高。且检测效率高。

【技术实现步骤摘要】
基于深度学习的交通标牌杆倾斜角度自动检测方法


[0001]本专利技术属于智能交通领域，具体涉及一种基于深度学习的交通标牌杆倾斜角度自动检测方法。

技术介绍

[0002]在人们的交通出行领域，交通标牌作为一种具有法令性质的指示标志具有重要作用。然而在安装结束后，由于自然灾害、车祸、路面修整等原因可能导致交通标牌出现倾斜甚至倒塌，影响交通秩序，造成交通安全隐患。因此，如何方便快速的检测交通标牌状态是否正常是有意义的。
[0003]传统的交通标牌倾斜处理方法主要为市民通过热线向政府或者媒体反映，再由政府转交给交警支队对标牌进行加固处理。该方法存在滞后性，且市民举报意愿可能不高。

技术实现思路

[0004]本专利技术提供了一种基于深度学习的交通标牌杆倾斜角度自动检测方法解决上述提到的技术问题，具体采用如下的技术方案：
[0005]一种基于深度学习的交通标牌杆倾斜角度自动检测方法，包含以下步骤：
[0006]采集图像；
[0007]从图像中提取出交通标牌；
[0008]计算出提取出的交通标牌中交通标牌杆的倾斜角度；
[0009]计算出提取出的交通标牌中交通标牌杆的倾斜角度的具体方法为：
[0010]对提取出的包含交通标牌的图片进行缩放处理；
[0011]从处理后的图片中提取特征图；
[0012]使用若干预测线在提取的特征图上拟合交通标牌杆并根据拟合结果计算交通标识杆的倾斜角度。
[0013]进一步地，从图像中提取出交通标牌的具体方法为：
[0014]对采集的图像进行缩放和填充处理；
[0015]通过DarkNet网络提取处理后的图像在多种不同深度下的不同尺寸的特征图；
[0016]使用多组提前通过聚类设定的不同长宽比、不同面积的识别框在提取的不同大小的特征图上识别交通标牌。
[0017]进一步地，在使用多组提前通过聚类设定的不同长宽比、不同面积的识别框在提取的不同大小的特征图上识别交通标牌的过程中，
[0018]从这些识别框中选取交并比最大的作为最终识别交通标牌的框体从而识别出交通标牌。
[0019]进一步地，通过DarkNet网络提取处理后的图像在3种不同深度下的不同尺寸的特征图。
[0020]进一步地，从处理后的图片中提取特征图的具体方法为：
[0021]通过残差网络从处理后的图片中提取特征图。
[0022]进一步地，使用若干预测线在提取的特征图上拟合交通标牌杆并根据拟合结果计算交通标识杆的倾斜角度的具体方法为：
[0023]在提取的特征图上使用若干不同起点、不同角度的预测线提取出若干局部信息；
[0024]采用注意力机制交换所有预测线对应的局部信息以获取全局信息；
[0025]通过局部信息和全局信息判断预测线是否为交通标牌杆；
[0026]根据判断为交通标牌杆的预测线计算交通标杆的倾斜角度。
[0027]进一步地，在提取的特征图上使用若干不同起点、不同角度的预测线提取出若干局部信息的过程中，
[0028]将图像按等距离在垂直方向上进行划分，记划分线的纵坐标为其中N
p
为划分线数，设图像高度为h，则y
i
＝i
·
(h/N
p
‑
1)；
[0029]通过垂直划分所表示的水平方向坐标为，
[0030][0031]其中，(x，y)为特征图上的坐标，(x
origin
，y
origin
)为从图像中提取出的交通标牌上的坐标，δ
back
表示图像通过特征提取缩小的倍数，θ表示该预测线与水平轴夹角的角度，预测线通过其与这些划分线的交点的点集的横坐标表示。
[0032]进一步地，采用注意力机制交换所有预测线对应的局部信息以获取全局信息的具体方法为：
[0033]将获得的局部信息输入至一个全连接的注意力网络，通过softmax平衡信息量后与其他预测线上的局部信息相乘，最后相加，生成全局信息向量a
global
，公式如下：
[0034][0035][0036]其中，i为本预测线标号，j为其他预测线标号，a
local
表示单条预测线的局部信息，L
att
表示一个全连接的注意力网络。
[0037]进一步地，通过局部信息和全局信息判断预测线是否为交通标牌杆的具体方法为：
[0038]将由所有与拼接而成聚合局部和全局信息的矩阵输入分类模型，由分类模型输出每条预测线是否为交通标牌杆的概率；
[0039]将由所有与拼接而成聚合局部和全局信息的矩阵输入回归模型，由回归模型输出每条预测线上的点的水平偏移与长度l，对于在分类模型中判断为是交通标牌杆的预测线，通过非极大抑制输出最后的结果。
[0040]进一步地，采集图像的具体方法为：
[0041]将摄像机安置在无人机上拍摄图像。
[0042]本专利技术的有益之处在于所提供的基于深度学习的交通标牌杆倾斜角度自动检测方法，采用自动识别的方式代替人工检测，极大的节省了人力成本，且检测效率高。
附图说明
[0043]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0044]图1是本专利技术的一种基于深度学习的交通标牌杆倾斜角度自动检测方法的示意图；
[0045]图2是检测模型的示意图；
[0046]图3是计算出提取出的交通标牌中交通标牌杆的倾斜角度的具体模型的示意图。
具体实施方式
[0047]下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0048]如图1所示为本申请的一种基于深度学习的交通标牌杆倾斜角度自动检测方法，包含以下步骤：S1：采集图像。S2：从图像中提取出交通标牌。S3：计算出提取出的交通标牌中交通标牌杆的倾斜角度。
[0049]对于步骤S1：采集图像。
[0050]在本申请中，采集图像的具体方法为：将摄像机安置在无人机上拍摄图像。
[0051]可以理解的是，还可以是将摄像机安置在汽车等不同载体上拍摄图像，或人工采用三脚架拍摄。在图像拍摄时，需要保持水平。将采集到的图像输入到如图2所示的模型中，进一步进行步骤S2和S3。图3为计算出提取出的交通标牌中交通标牌杆的倾斜角度的具体模型的示意图。
[0052]对于步骤S2：从图像中提取出交通标牌。
[0053]具体而言，从图像中提取出交通标牌的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，包含以下步骤：采集图像；从图像中提取出交通标牌；计算出提取出的交通标牌中交通标牌杆的倾斜角度；所述计算出提取出的交通标牌中交通标牌杆的倾斜角度的具体方法为：对提取出的包含交通标牌的图片进行缩放处理；从处理后的图片中提取特征图；使用若干预测线在提取的特征图上拟合交通标牌杆并根据拟合结果计算交通标识杆的倾斜角度。2.根据权利要求1所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，所述从图像中提取出交通标牌的具体方法为：对采集的图像进行缩放和填充处理；通过DarkNet网络提取处理后的图像在多种不同深度下的不同尺寸的特征图；使用多组提前通过聚类设定的不同长宽比、不同面积的识别框在提取的不同大小的特征图上识别交通标牌。3.根据权利要求2所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，在所述使用多组提前通过聚类设定的不同长宽比、不同面积的识别框在提取的不同大小的特征图上识别交通标牌的过程中，从这些识别框中选取交并比最大的作为最终识别交通标牌的框体从而识别出交通标牌。4.根据权利要求2所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，通过DarkNet网络提取处理后的图像在3种不同深度下的不同尺寸的特征图。5.根据权利要求1所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，所述从处理后的图片中提取特征图的具体方法为：通过残差网络从处理后的图片中提取特征图。6.根据权利要求1所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征在于，所述使用若干预测线在提取的特征图上拟合交通标牌杆并根据拟合结果计算交通标识杆的倾斜角度的具体方法为：在提取的特征图上使用若干不同起点、不同角度的预测线提取出若干局部信息；采用注意力机制交换所有预测线对应的局部信息以获取全局信息；通过局部信息和全局信息判断预测线是否为交通标牌杆；根据判断为交通标牌杆的预测线计算交通标杆的倾斜角度。7.根据权利要求6所述的基于深度学习的交通标牌杆倾斜角度自动检测方法，其特征
在于，...

【专利技术属性】
技术研发人员：韩海航，徐呈禾，曹更永，葛拥军，郑静珍，严守靖，
申请(专利权)人：浙江省交通运输科学研究院，
类型：发明
国别省市：