一种交通标志检测方法、装置、电子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交通标志检测方法、装置、电子设备及存储介质。该方法包括：获取道路交通标志图像；基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志；基于所述待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志。本技术方案，通过卷积神经网络模型对可能是交通标志的像素进行有效提取，剔除完全不属于交通标志类别的颜色特征，然后采用局部模板对交通标志做确认，能够提升交通标志检测效率和检测结果。志检测效率和检测结果。志检测效率和检测结果。

【技术实现步骤摘要】
一种交通标志检测方法、装置、电子设备及存储介质


[0001]本专利技术涉及交通标志检测与识别
，尤其涉及一种交通标志检测方法、装置、电子设备及存储介质。

技术介绍

[0002]道路交通标志为重要的道路交通安全附属设施，可向驾驶人提供各种引导和约束信息，驾驶人实时地正确地获取交通标志信息，可保障行车更加安全。
[0003]汽车安全辅助驾驶系统可以通过图像识别技术，利用交通标志的颜色特征，来实现对交通标志的检测和确认。
[0004]传统的交通标志识别算法依赖单一的卷积神经网络模型，实际检测效果有限。

技术实现思路

[0005]本专利技术提供了一种交通标志检测方法、装置、电子设备及存储介质，能够提升交通标志检测效率和检测结果。
[0006]根据本专利技术的一方面，提供了一种交通标志检测方法，该方法包括：
[0007]获取道路交通标志图像；
[0008]基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志；
[0009]基于所述待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志。
[0010]根据本专利技术的另一方面，提供了一种交通标志检测装置，该装置包括：
[0011]道路交通标志图像获取模块，用于获取道路交通标志图像；
[0012]卷积神经网络模型处理模块，用于基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志；
[0013]交通标志识别模块，用于基于所述待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志。
[0014]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0015]至少一个处理器；以及
[0016]与所述至少一个处理器通信连接的存储器；其中，
[0017]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的一种交通标志检测方法。
[0018]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的一种交通标志检测方法。
[0019]本专利技术实施例的技术方案，通过获取道路交通标志图像，然后基于预设卷积神经
网络模型对道路交通标志图像中的交通标志进行提取，得到待处理交通标志，并基于待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志。本技术方案，通过卷积神经网络模型对可能是交通标志的像素进行有效提取，剔除完全不属于交通标志类别的颜色特征，然后采用局部模板对交通标志做确认，能够提升交通标志检测效率和检测结果。
[0020]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术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
[0021]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是根据本专利技术实施例一提供的一种交通标志检测方法的流程图；
[0023]图2为本专利技术实施例二提供的一种交通标志提取与标注过程的示意图；
[0024]图3为本专利技术实施例三提供的一种交通标志检测装置及数据流的结构示意图；
[0025]图4是实现本专利技术实施例的一种交通标志检测方法的电子设备的结构示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“目标”、“待处理”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]实施例一
[0029]图1是根据本专利技术实施例一提供的一种交通标志检测方法的流程图，本实施例可适用于对交通标志进行检测以及识别情况，该方法可以由一种交通标志检测装置来执行，该交通标志检测装置可以采用硬件和/或软件的形式实现，该交通标志检测装置可配置于电子设备中。如图1所示，该方法包括：
[0030]S110、获取道路交通标志图像。
[0031]其中，道路交通标志是用图形符合、颜色和文字向交通参与者传递特定信息，用于管理交通、保障安全的设施。
[0032]在本实施例中，可以基于道路上预先安装的拍摄设备获取道路交通标志图像。例如，可以基于摄像机拍摄道路交通标志图像，也可以基于CCD(charge coupled device camera)相机拍摄道路交通标志图像。
[0033]在本方案中，还需要对得到的道路交通标志图像统一进行标注处理，每张图像生成一个包含交通标志位置的文本文件，以用于后续神经网络算法的训练与验证。其中，可以采用常见的检测框对道路交通标志图像进行标注。根据标注方法的不同，后续的检测算法也会有差别。将各像素点进行更细致的标注，常见的方框形标注引入了很多噪声，现实场景中很多交通标志是三角形与圆形，为了减少方框识别标记所带来的误差，可以采用更精确的多边形或者闭合的弧线进行标注。
[0034]S120、基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志。
[0035]在本实施例中，交通标志的颜色是区别周围环境的最主要特征，通常从颜色特征就能感知到交通标志的存在，因此可以基于卷积神经网络模型对道交通标志图像中的交通标志进行提取。
[0036]在本方案中，卷积神经网络模型包括HSV颜色模型、分类神经网络模型以及二值化等。在各种颜色模型中，二值化后的HSV颜色模型计算量小且能够满足实时性的要求。优选的，可以使用HSV颜色模型对道路交通标志图像中的交通标志进行提取。
[0037]可选的，基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志，包括步骤A1
‑
A3：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通标志检测方法，其特征在于，包括：获取道路交通标志图像；基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志；基于所述待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志。2.根据权利要求1所述的方法，其特征在于，基于预设卷积神经网络模型对所述道路交通标志图像中的交通标志进行提取，得到待处理交通标志，包括：在所述道路交通标志图像不是HSV图像的情况下，对所述道路交通标志图像进行颜色空间转换，得到HSV图像；根据预设权重对所述HSV图像进行处理，得到目标HSV图像；基于所述目标HSV图像中各像素点的颜色阈值对所述目标HSV图像中的交通标志进行提取，得到待处理交通标志。3.根据权利要求2所述的方法，其特征在于，基于所述目标HSV图像中各像素点的颜色阈值对所述目标HSV图像中的交通标志进行提取，得到待处理交通标志，包括：将所述目标HSV图像中各像素点颜色阈值与预先确定的交通标志检测框内的颜色阈值进行比较，确定每个颜色对应的置信度权重；基于所述置信度权重对所述目标HSV图像进行二值化处理，得到待处理交通标志。4.根据权利要求1所述的方法，其特征在于，基于所述待处理交通标志的灰度信息对所述待处理交通标志进行识别，得到目标交通标志，包括：确定所述待处理交通标志的灰度信息；其中，所述灰度信息包括灰度矩阵、灰度均值和均方差；计算所述待处理交通标志的灰度信息与预设交通标志的灰度信息之间的相似度，得到相似度值；基于所述相似度值对所述待处理交通标志进行识别，得到目标交通标志。5.根据权利要求4所述的方法，其特征在于...

【专利技术属性】
技术研发人员：许述财，彭理群，马定辉，李江晨，马育林，
申请(专利权)人：清华大学苏州汽车研究院相城，
类型：发明
国别省市：