一种用于自动驾驶的交通标志检测方法及系统技术方案

本发明专利技术提供了一种用于自动驾驶的交通标志检测方法及系统，包括：获取实时自动驾驶中的原始数据流，并对原始数据流进行预处理，得到待检测数据；构建检测模型，对待检测数据进行交通标志检测，获得检测结果；对检测结果和原始数据流进行处理，生成待分类数据；构建分类模型，对待分类数据进行交通标志类别以及位置信息提取，获得分类结果；结合先验信息数据库，对检测结果和分类结果中的每一个目标进行后处理，得到交通标志的最终检测结果。本发明专利技术针对小目标检测，采用多阶段处理方式，既解决了计算资源占用的问题，又提高了检测效果。辅以数据闭环优化，极大地缓解了长尾问题。通过基于先验的后处理方式，提高了应用于自动驾驶领域时的安全冗余。领域时的安全冗余。领域时的安全冗余。

【技术实现步骤摘要】
一种用于自动驾驶的交通标志检测方法及系统


[0001]本专利技术涉及自动驾驶
，具体地，涉及一种用于自动驾驶的交通标志检测方法及系统。同时提供了一种相应的终端及介质。

技术介绍

[0002]近年自动驾驶技术飞速发展，逐步从辅助自动驾驶过度到高级自动驾驶。相应的对自动驾驶感知技术提出了新的挑战。现有交通标志检测方法，应对日益提高的检出标准，捉襟见肘。同时，交通标志检测作为典型的小目标检测问题，现有基于数据驱动的方法，相比常规目标检测，有着召回率低，准确率不高等问题。再次，交通标志检测作为典型的长尾问题，现有技术应对少数类别的检测效果相对常见类别有较大差距。即使一些方法能得到较好的检测效果，但都不可避免的需要较大计算资源支撑，不适合甚至不可用于自动驾驶全栈解决方案。

技术实现思路

[0003]本专利技术针对现有技术中存在的上述不足，提供了一种用于自动驾驶的交通标志检测方法及系统。同时提供了一种相应的终端及介质。
[0004]根据本专利技术的一个方面，提供了一种用于自动驾驶的交通标志检测方法，包括：
[0005]获取实时自动驾驶中的原始数据流，并对所述原始数据流进行预处理，得到待检测数据；
[0006]构建检测模型，对所述待检测数据进行交通标志检测，获得检测结果；
[0007]对所述检测结果和所述原始数据流进行处理，生成待分类数据；
[0008]构建分类模型，对所述待分类数据进行交通标志类别以及位置信息提取，获得分类结果；
[0009]结合先验信息数据库，对所述检测结果和所述分类结果中的每一个目标进行后处理，得到交通标志的最终检测结果。
[0010]可选地，对所述原始数据流进行预处理，包括：
[0011]实时获取所述原始数据流中的位姿信息，并根据所述位姿信息，实时定位交通标志大概率出现的目标区域；
[0012]通过实车采集的方式获取含有交通标志的图像数据，并对所述图像数据中的交通标志进行标注，获得样本数据；
[0013]对所述样本数据进行统计，获得所述样本数据中交通标志通常出现的位置信息，对所述目标区域进行缩放和/或裁剪，得到指定大小的待检测数据，用于作为检测模型的输入数据。
[0014]可选地，所述构建检测模型，对所述待检测数据进行交通标志检测，包括：
[0015]构建包含了标注交通标志的样本数据集；
[0016]基于深度学习神经网络，利用所述样本数据集对所述深度学习神经网络进行训
练，得到检测模型；
[0017]将所述待检测数据作为所述检测模型的输入数据，对所述待检测数据进行交通标志检测。
[0018]可选地，所述对所述检测结果和原始数据流进行处理，包括：
[0019]利用所述检测结果，定位需要进行分类的多个图像位置，并将所述位置记为proposals；
[0020]通过DSP加速或者CPU算法加速，对所述位置proposals进行特定采样拼接操作，得到作为分类模型输入数据的待分类数据；其中：
[0021]所述特定采样拼接的方法，包括：
[0022]将通过所述检测模型获得的n个检测结果对应的原图区域分别经行裁剪，并缩放到像素尺寸宽
ⅹ
高固定大小为w
ⅹ
h的图片；
[0023]将所述固定大小为w
ⅹ
h的图像延h方向拼接成一张图片；
[0024]在每两张图片之间加入大小为w
ⅹ
h的黑色图像，得到w
ⅹ
(n
ⅹ
h
ⅹ
2)的图像；
[0025]当某一帧获得的检测结果数量n小于设定的最多目标数N
max
时，则采用w
ⅹ
h的黑色图像对w
ⅹ
(n
ⅹ
h
ⅹ
2)的图像进行补充直至得到w
ⅹ
(N
max
ⅹ
h
ⅹ
2)的图片，即得到作为分类模型输入数据的待分类数据。
[0026]可选地，所述构建分类模型，对所述待分类数据进行交通标志类别以及位置信息提取，包括：
[0027]基于深度学习神经网络，构建深度学习的分类模型；
[0028]将所述待分类数据作为所述分类模型的输入，提取所述待分类数据的高级语义信息，对交通标志进行分类，得到所述交通标志的类别；
[0029]结合所述检测模型获得的检测结果，对分类后的所述交通标志的位置进行校正，得到所述交通标志的位置信息。
[0030]可选地，所述结合先验信息，对所述检测结果和所述分类结果中的每一个目标进行后处理，包括：
[0031]利用所述先验信息数据库中的先验信息，对所述检测结果和所述分类结果进行后处理，所述后处理包括：目标匹配、目标跟踪、类别融合和/或上报逻辑筛选，得到交通标志的最终检测结果。
[0032]可选地，所述目标匹配，包括：量化多种信息，并辅以不同的权重，综合决定匹配结果；其中，所述多种信息包括：类别、位置、high level图像特征和/或low level图像特征。
[0033]可选地，所述目标跟踪，包括：通过滤波的方式对交通标志进行目标跟踪，得到跟踪结果，同时辅以实时位姿信息，对所述跟踪结果进行补偿。
[0034]可选地，所述类别融合，包括：通过概率学方法，结合大数据统计信息，构建类别融合模型，保证类别的准确以及稳定。
[0035]可选地，所述上报逻辑筛选，包括：根据不同的行车场景和行车速度，构建不同的上报逻辑，其中，所述行车场景包括：常规城镇道路、高架道路、高速道路和匝道。
[0036]可选地，所述方法还包括：
[0037]获取交通标识的真实结果，并与得到的所述通标志的最终检测结果进行比对，获得相互冲突的数据；和/或，在离线状态下运行所述交通标志检测方法，并对得到的所述交
通标志的最终检测结果进行类别以及位置信息标注和数据增广，获得基本数据；
[0038]利用所述相互冲突的数据和/或所述基本数据，对所述轻量级检测模型和所述深度学习分类模型进行优化；
[0039]将所述相互冲突的数据和/或所述基本数据作为新的先验信息，对所述先验信息数据库进行更新。
[0040]根据本专利技术的第二个方面，提供了一种用于自动驾驶的交通标志检测系统，包括：
[0041]数据获取模块，该模块用于获取实时自动驾驶中的原始数据流，并对所述原始数据流进行预处理，得到待检测数据；
[0042]检测模块，该模块用于构建检测模型，对所述待检测数据进行交通标志检测，获得检测结果；
[0043]转换模块，该模块用于对所述检测结果和所述原始原始数据流进行处理，生成待分类数据；
[0044]分类模块，该模块用于构建分类模型，对所述待分类数据进行交通标志类别以及位置信息提取，获得分类结果；
[0045]后处理模块，该模块用于结合先验本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶的交通标志检测方法，其特征在于，包括：获取实时自动驾驶中的原始数据流，并对所述原始数据流进行预处理，得到待检测数据；构建检测模型，对所述待检测数据进行交通标志检测，获得检测结果；对所述检测结果和所述原始数据流进行处理，生成待分类数据；构建分类模型，对所述待分类数据进行交通标志类别以及位置信息提取，获得分类结果；结合先验信息数据库，对所述检测结果和所述分类结果中的每一个目标进行后处理，得到交通标志的最终检测结果。2.根据权利要求1所述的用于自动驾驶的交通标志检测方法，其特征在于，对所述原始数据流进行预处理，包括：实时获取所述原始数据流中的位姿信息，并根据所述位姿信息，实时定位交通标志大概率出现的目标区域；通过实车采集的方式获取含有交通标志的图像数据，并对所述图像数据中的交通标志进行标注，获得样本数据；对所述样本数据进行统计，获得所述样本数据中交通标志通常出现的位置信息，对所述目标区域进行缩放和/或裁剪，得到指定大小的待检测数据，用于作为检测模型的输入数据。3.根据权利要求1所述的用于自动驾驶的交通标志检测方法，其特征在于，所述构建检测模型，对所述待检测数据进行交通标志检测，包括：构建包含了标注交通标志的样本数据集；基于深度学习神经网络，利用所述样本数据集对所述深度学习神经网络进行训练，得到检测模型；将所述待检测数据作为所述检测模型的输入数据，对所述待检测数据进行交通标志检测。4.根据权利要求1所述的用于自动驾驶的交通标志检测方法，其特征在于，所述对所述检测结果和原始数据流进行处理，包括：利用所述检测结果，定位需要进行分类的多个图像位置，并将所述位置记为proposals；通过DSP加速或者CPU算法加速，对所述位置proposals进行特定采样拼接操作，得到作为分类模型输入数据的待分类数据；其中：所述特定采样拼接的方法，包括：将通过所述检测模型获得的n个检测结果对应的原图区域分别经行裁剪，并缩放到像素尺寸宽
ⅹ
高固定大小为w
ⅹ
h的图片；将所述固定大小为w
ⅹ
h的图像延h方向拼接成一张图片；在每两张图片之间加入大小为w
ⅹ
h的黑色图像，得到w
ⅹ
(n
ⅹ
h
ⅹ
2)的图像；当某一帧获得的检测结果数量n小于设定的最多目标数N
max
时，则采用w
ⅹ
h的黑色图像对w
ⅹ
(n
ⅹ
h
ⅹ
2)的图像进行补充直至得到w
ⅹ
(N
max
ⅹ
h
ⅹ
2)的图片，即得到作为分类模型输入数据的待分类数据。
5.根据权利要求1所述的用于自动驾驶的交通标志检测方法，其特征在于，所述构建分类模型，对所述待分类数据进行交通标志类别以及位置信息提取，包括：基于深度学习神经网络，构建深度学习的分类模型；将所述待分类数据作为所述分类模型的输入，提取所述待分类数据的高级语义信息，对交通标志进行分类，得到所述交通标志的类别；结合所述检测模型获得的检测结果，对分类后的所述交通标志的位置进行校正，得到所述交通标志的位置信息。6.根据权利要求1所述的用于自动驾驶的交通标志检测方法，其特征在于，所述结合先验信息，对所述检测结果和所述分类结果中的每一个...

【专利技术属性】
技术研发人员：李军，魏哲，徐宁仪，
申请(专利权)人：辉羲智能科技上海有限公司，
类型：发明
国别省市：