行人路牌检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种行人路牌检测方法、装置、设备及存储介质，所述方法通过获取待测地点的数据集，对数据集进行数据清洗，获得待测数据；将待测数据进行划分，获得训练集和测试集，将训练集输入到基于MG

【技术实现步骤摘要】
行人路牌检测方法、装置、设备及存储介质


[0001]本专利技术涉及自动驾驶
，尤其涉及一种行人路牌检测方法、装置、设备及存储介质。

技术介绍

[0002]原始YOLOv5网络模型的主干特征提取网络是CSP
‑
DarkNet53，是基于resnet网络演变而来，resnet为了充分利用各个特征层的特征信息设置了很多残差结构，进而造成了网络模型结构越来越复杂，网络模型参数越来越大，对硬件设备的算力与存储空间提出了很高的要求，最终导致该网络模型只能移植部署到高性能设备上；常见的高精度目标检测模型都是双阶段检测网络模型，其检测网络模型复杂度限制了检测速度，很难做到在行泊车过程中对移动的行人和机动车辆、静止的交通指示灯和路牌进行实时检测。

技术实现思路

[0003]本专利技术的主要目的在于提供一种行人路牌检测方法、装置、设备及存储介质，旨在解决现有技术中自动驾驶车辆行车和泊车过程中无法对行人和车辆路牌进行实时检测，检测模型结构复杂，检测速度较慢，检测精度较差的技术问题。
[0004]第一方面，本专利技术提供一种行人路牌检测方法，所述行人路牌检测方法包括以下步骤：获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据；将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型；将所述训练后的网络模型进行收敛拟合，获得目标网络模型，将所述测试集输入至所述目标网络模型中进行测试，并根据测试通过的目标网络模型对行人和路牌进行实时检测。
[0005]可选地，所述获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据，包括：获取待测地点的网络公开数据集和实时检测数据集；将所述网络公开数据集中的标签数据格式转换为YOLO网络所需的数据格式，将数据格式转换后的网络公开数据集中的数据和所述实时检测数据集中的数据作为待测数据。
[0006]可选地，所述将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型，包括：获取预设划分比例，根据所述预设划分比例将所述待测数据进行划分，获得训练集和测试集；获取基于MG
‑
YOLO网络结构的检测网络中的图像尺寸和通道数；将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数进行网络模型训练，获得训练后的网络模型。
[0007]可选地，所述将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数进行网络模型训练，获得训练后的网络模型，包括：将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数确定所述检测网络的卷积模块中标准卷积计算量和分组卷积计算量；根据所述标准卷积计算量和所述分组卷积计算量确定标准卷积和深度可分离卷积的参数量之比；根据所述参数量之比对所述训练集进行网络模型训练，获得训练后符合所述参数量之比的网络模型。
[0008]可选地，所述将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数确定所述检测网络的卷积模块中标准卷积计算量和分组卷积计算量，包括：将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数通过下式计算获得所述检测网络的卷积模块中标准卷积计算量和分组卷积计算量：
[0009]其中为卷积模块中的标准卷积计算量，K为卷积核的大小，为输入特征图的通道数，为输出特征图的通道数，W为输出特征图的宽度，H为输出特征图的高度，为卷积模块中的分组卷积计算量，g为分组个数。
[0010]可选地，所述根据所述标准卷积计算量和所述分组卷积计算量确定标准卷积和深度可分离卷积的参数量之比，包括：根据所述标准卷积计算量通过下式确定标准卷积参数量：
[0011]其中，为标准卷积参数量；根据所述分组卷积计算量通过下式确定深度可分离卷积的参数量：
[0012]其中，为深度可分离卷积参数量；通过下式获得标准卷积数量和深度可卷积参数量的参数量之比：
[0013]可选地，所述将所述训练后的网络模型进行收敛拟合，获得目标网络模型，将所述测试集输入至所述目标网络模型中进行测试，并根据测试通过的目标网络模型对行人和路牌进行实时检测，包括：将所述训练后的网络模型进行收敛拟合，获得目标网络模型；将所述测试集输入至所述目标网络模型中进行测试，获得测试结果；
在所述测试结果为网络测试精度大于预设精度阈值时，判定测试通过，将测试通过的所述目标网络模型部署至车载控制系统中，并通过所述车载控制系统对行人和路牌进行实时检测。
[0014]第二方面，为实现上述目的，本专利技术还提出一种行人路牌检测装置，所述行人路牌检测装置包括：数据清洗模块，用于获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据；训练模块，用于将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型；检测模块，用于将所述训练后的网络模型进行收敛拟合，获得目标网络模型，将所述测试集输入至所述目标网络模型中进行测试，并根据测试通过的目标网络模型对行人和路牌进行实时检测。
[0015]第三方面，为实现上述目的，本专利技术还提出一种行人路牌检测设备，所述行人路牌检测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的行人路牌检测程序，所述行人路牌检测程序配置为实现如上文所述的行人路牌检测方法的步骤。
[0016]第四方面，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有行人路牌检测程序，所述行人路牌检测程序被处理器执行时实现如上文所述的行人路牌检测方法的步骤。
[0017]本专利技术提出的行人路牌检测方法，通过获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据；将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型；将所述训练后的网络模型进行收敛拟合，获得目标网络模型，将所述测试集输入至所述目标网络模型中进行测试，并根据测试通过的目标网络模型对行人和路牌进行实时检测，能够在保证网络检测精度的前提下，极大的降低了网络模型的参数量和复杂程度，进而实现在低算力和低存储设备上对行泊车过程中移动的行人和机动车辆、静止的交通指示灯和路牌进行实时检测，提高了检测精度，提高了行人路牌检测速度和效率。
附图说明
[0018]图1为本专利技术实施例方案涉及的硬件运行环境的设备结构示意图；图2为本专利技术行人路牌检测方法第一实施例的流程示意图；图3为本专利技术行人路牌检测方法第二实施例的流程示意图；图4为本专利技术行人路牌检测方法第三实施例的流程示意图；图5为本专利技术行人路牌检测方法第四实施例的流程示意图；图6为本专利技术行人路牌检测方法第五实施例的流程示意图；图7为本专利技术行人路牌检测装置第一实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人路牌检测方法，其特征在于，所述行人路牌检测方法包括：获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据；将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型；将所述训练后的网络模型进行收敛拟合，获得目标网络模型，将所述测试集输入至所述目标网络模型中进行测试，并根据测试通过的目标网络模型对行人和路牌进行实时检测。2.如权利要求1所述的行人路牌检测方法，其特征在于，所述获取待测地点的数据集，对所述数据集进行数据清洗，获得待测数据，包括：获取待测地点的网络公开数据集和实时检测数据集；将所述网络公开数据集中的标签数据格式转换为YOLO网络所需的数据格式，将数据格式转换后的网络公开数据集中的数据和所述实时检测数据集中的数据作为待测数据。3.如权利要求1所述的行人路牌检测方法，其特征在于，所述将所述待测数据进行划分，获得训练集和测试集，将所述训练集输入到基于MG
‑
YOLO网络结构的检测网络中进行网络模型训练，获得训练后的网络模型，包括：获取预设划分比例，根据所述预设划分比例将所述待测数据进行划分，获得训练集和测试集；获取基于MG
‑
YOLO网络结构的检测网络中的图像尺寸和通道数；将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数进行网络模型训练，获得训练后的网络模型。4.如权利要求3所述的行人路牌检测方法，其特征在于，所述将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数进行网络模型训练，获得训练后的网络模型，包括：将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数确定所述检测网络的卷积模块中标准卷积计算量和分组卷积计算量；根据所述标准卷积计算量和所述分组卷积计算量确定标准卷积和深度可分离卷积的参数量之比；根据所述参数量之比对所述训练集进行网络模型训练，获得训练后符合所述参数量之比的网络模型。5.如权利要求4所述的行人路牌检测方法，其特征在于，所述将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数确定所述检测网络的卷积模块中标准卷积计算量和分组卷积计算量，包括：将所述训练集输入到所述检测网络中，根据所述图像尺寸和所述通道数通过下式计算获得所述...

【专利技术属性】
技术研发人员：付斌，刘欣，涂宁宁，宋志斌，郑方洋，
申请(专利权)人：岚图汽车科技有限公司，
类型：发明
国别省市：