本发明专利技术涉及目标检测领域，尤其涉及一种交通标志检测方法、装置、设备及存储介质，该方法包括：获取不同天气条件下交通标志并对不同天气条件下交通标志进行分类，得到分类后的不同天气条件下交通标志；分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合；构建交通标志检测模型，并根据所述目标交通标志集合对所述交通标志检测模型进行训练得到目标交通标志检测模型；将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测结果，从而实现实时性与准确性兼顾的交通标志检测。性与准确性兼顾的交通标志检测。性与准确性兼顾的交通标志检测。
【技术实现步骤摘要】
交通标志检测方法、装置、设备及存储介质
[0001]本专利技术涉及目标检测领域，尤其涉及一种交通标志检测方法、装置、设备及存储介质。
技术介绍
[0002]交通标志检测是计算机视觉应用于道路交通领域的重要研究方向，也是无人驾驶系统的基础，交通标志检测结果的实时性、准确性与驾驶人员的人身安全息息相关，受光照、距离等环境因素的影响，交通标志检测难度高于一般目标检测，所以，然后进行实时性与准确性兼顾的交通标志检测对驾驶安全至关重要；
[0003]交通标志检测有传统方法和基于深度学习的方法两种方法；一是通过交通标志的颜色、形状等明显特征信息检测出交通标志；二是先对已检测出的交通标志特征提取，再具体进行分类识别。由于颜色特征和形状特征极不稳定，易受到外界条件干扰，例如光照条件、雨雾天气等，所以检测和识别效果差强人意。国内外众多研究人员进行了大量的实验研究，但应用到智能驾驶中仍很困难。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0005]本专利技术的主要目的在于提供一种交通标志检测方法、装置、设备及存储介质，旨在解决现有技术中难以进行实时性与准确性兼顾的交通标志检测的技术问题。
[0006]为实现上述目的，本专利技术提供一种交通标志检测方法，所述交通标志检测方法包括以下步骤：
[0007]获取不同天气条件下交通标志并对所述不同天气条件下交通标志进行分类，得到分类后的不同天气条件下交通标志，其中分类后的不同天气条件下交通标志至少包括：雾天条件下交通标志和雨雪天气条件下交通标志；
[0008]分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合；
[0009]构建交通标志检测模型，并根据所述目标交通标志集合对所述交通标志检测模型进行训练得到目标交通标志检测模型，其中交通标志检测模型为基于YOLOv5网络进行改进，包括主干网络加入ECA注意力机制模块、特征融合网络改为BiFPN结构以及将损失函数改为SIoU损失函数；
[0010]将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测结果。
[0011]可选地，所述分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合，包括：
[0012]将所述雾天条件下交通标志输入至FFA
‑
Net网络进行去雾处理，得到去雾后的交通标志；
[0013]将所述雨雪天气条件下交通标志输入至MPR
‑
Net网络进行去雨雪处理，得到去雨雪后的交通标志；
[0014]根据所述去雾后的交通标志、去雨雪后的交通标志以及原始的交通标志，得到目标交通标志集合。
[0015]可选地，所述将所述雾天条件下交通标志输入至FFA
‑
Net网络进行去雾处理，得到去雾后的交通标志，包括：
[0016]将所述雾天条件下交通标志通过卷积层进行浅层特征提取，得到雾天条件下交通标志特征；
[0017]将所述雾天条件下交通标志特征输入多个具有多跳连接的群结构得到多个特征并通过特征注意模块进行融合，得到融合后的雾天条件下交通标志特征；
[0018]将所述融合后的雾天条件下交通标志特征传递至重构部分和全局残差学习结构，得到去雾后的交通标志。
[0019]可选地，所述将所述雨雪天气条件下交通标志输入至MPR
‑
Net网络进行去雨雪处理，得到去雨雪后的交通标志，包括：
[0020]将所述雨雪天气条件下交通标志通过编码解码器学习，得到多尺度上下文特征；
[0021]通过有监督的注意力模块对所述多尺度上下文特征进行特征细化，并通过跨阶段特征融合机制对所述细化后的多尺度上下文特征进行融合，得到融合细化后的多尺度上下文特征；
[0022]对原始原始图像分辨率进行操作保留精细的空间细节，并根据所述保留的精细的空间细节和所述融合细化后的多尺度上下文特征，得到去雨雪后的交通标志。
[0023]可选地，所述将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测结果，包括：
[0024]将当前待检测交通标志输入至ECA注意力机制模块，得到具有通道注意力的交通标志特征图；
[0025]对具有通道注意力的交通标志特征图在不同下采样倍数下进行采样得到不同下采样倍数的特征图；
[0026]将不同下采样倍数的特征图输入特征融合网络进行特征融合，得到交通标志检测结果。
[0027]可选地，所述将当前待检测交通标志输入至ECA注意力机制模块，得到具有通道注意力的交通标志特征图，包括：
[0028]对当前待检测交通标志进行空间特征压缩，在空间维度使用全局平均池化GAP，得到压缩后的交通标志特征图；
[0029]对所述压缩后的交通标志特征图进行通道特征学习并进行卷积操作再经过sigmoid函数得到通道的特征权重大小和通道注意力的特征图；
[0030]根据所述特征权重大小，将通道注意力的特征图逐通道进行相乘，最终输出具有通道注意力的特征图。
[0031]可选地，所述获取不同天气条件下交通标志并对所述不同天气条件下交通标志进行分类，得到分类后的不同天气条件下交通标志，包括：
[0032]将所述不同天气条件下交通标志输入至CNN网络，通过卷积层提取所述不同天气
条件下交通标志的特征，并通过池化层减少所述不同天气条件下交通标志的数据量；
[0033]经过多轮的卷积和池化得到信息含量高的交通标志特征，并利用全连接层后经过Softmax层得到分类后的不同天气条件下交通标志。
[0034]此外，为实现上述目的，本专利技术还提出一种交通标志检测装置，所述交通标志检测装置包括：
[0035]获取模块，用于获取不同天气条件下交通标志并对所述不同天气条件下交通标志进行分类，得到分类后的不同天气条件下交通标志，其中分类后的不同天气条件下交通标志至少包括：雾天条件下交通标志和雨雪天气条件下交通标志；
[0036]处理模块，用于分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合；
[0037]模型构建模块，用于构建交通标志检测模型，并根据所述目标交通标志集合对所述交通标志检测模型进行训练得到目标交通标志检测模型，其中交通标志检测模型为基于YOLOv5网络进行改进，包括主干网络加入ECA注意力机制模块、特征融合网络改为BiFPN结构以及将损失函数改为SIoU损失函数；
[0038]检测模块，用于将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测结果。
[0039]此外，为实现上述目的，本专利技术还提出一种交通标志检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运本文档来自技高网...
【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，所述方法包括以下步骤：获取不同天气条件下交通标志并对所述不同天气条件下交通标志进行分类，得到分类后的不同天气条件下交通标志，其中分类后的不同天气条件下交通标志至少包括：雾天条件下交通标志和雨雪天气条件下交通标志；分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合；构建交通标志检测模型，并根据所述目标交通标志集合对所述交通标志检测模型进行训练得到目标交通标志检测模型，其中交通标志检测模型为基于YOLOv5网络进行改进，包括主干网络加入ECA注意力机制模块、特征融合网络改为BiFPN结构以及将损失函数改为SIoU损失函数；将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测结果。2.如权利要求1所述的方法，其特征在于，所述分别对所述分类后的不同天气条件下交通标志中所述雾天条件下交通标志和所述雨雪天气条件下交通标志进行处理，得到目标交通标志集合，包括：将所述雾天条件下交通标志输入至FFA
‑
Net网络进行去雾处理，得到去雾后的交通标志；将所述雨雪天气条件下交通标志输入至MPR
‑
Net网络进行去雨雪处理，得到去雨雪后的交通标志；根据所述去雾后的交通标志、去雨雪后的交通标志以及原始的交通标志，得到目标交通标志集合。3.如权利要求2所述的方法，其特征在于，所述将所述雾天条件下交通标志输入至FFA
‑
Net网络进行去雾处理，得到去雾后的交通标志，包括：将所述雾天条件下交通标志通过卷积层进行浅层特征提取，得到雾天条件下交通标志特征；将所述雾天条件下交通标志特征输入多个具有多跳连接的群结构得到多个特征并通过特征注意模块进行融合，得到融合后的雾天条件下交通标志特征；将所述融合后的雾天条件下交通标志特征传递至重构部分和全局残差学习结构，得到去雾后的交通标志。4.如权利要求2所述的方法，其特征在于，所述将所述雨雪天气条件下交通标志输入至MPR
‑
Net网络进行去雨雪处理，得到去雨雪后的交通标志，包括：将所述雨雪天气条件下交通标志通过编码解码器学习，得到多尺度上下文特征；通过有监督的注意力模块对所述多尺度上下文特征进行特征细化，并通过跨阶段特征融合机制对所述细化后的多尺度上下文特征进行融合，得到融合细化后的多尺度上下文特征；对原始原始图像分辨率进行操作保留精细的空间细节，并根据所述保留的精细的空间细节和所述融合细化后的多尺度上下文特征，得到去雨雪后的交通标志。5.如权利要求1中所述的方法，其特征在于，所述将当前待检测交通标志输入至目标交通标志检测模型，得到交通标志检测...
【专利技术属性】
技术研发人员：白旭祥，张小庆，肖海洋，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。