【技术实现步骤摘要】
本申请涉及交通导航，尤其涉及一种交通要素检测方法、装置、设备、介质及产品。
技术介绍
1、在自动驾驶场景以及高精地图的制作中，许多交通要素需要被用于车辆的辅助驾驶系统，而这些交通要素占有很大的比重。因此，针对自然场景下的道路要素的视觉目标检测，需要明确对应交通要素的二维或者三维信息，以及位置信息，如交通标牌、红绿灯、电子眼等交通要素的位置信息。
2、现有技术中，需要花费大量的人力进行手动收集街景图像的数据，之后在图像上画标注框作为样本，进而采用网络进行直接训练，得到道路要素的检测和提取装置，进一步的，通过计算机自动化的手段，基于检测和提取装置按照要素轮廓的最大外接矩形提取出各种类型的交通要素，并将交通要素交付给电子地图的制作流程，进而演变为地图数据。
3、但是，上述道路要素检测的方法，易受自然环境影响，如遮盖、光照、磨损等问题的影响，导致检测的准确性降低。
技术实现思路
1、本申请提供一种交通要素检测方法、装置、设备、介质及产品，用于解决现有道路要素检测的方法，易受自然环境影响，如遮盖、光照、磨损等问题的影响，导致检测的准确性降低的问题。
2、第一方面，本申请提供一种交通要素检测方法，所述方法包括：
3、获取街景图片，并将所述街景图片输入提前训练好的目标检测模型中，得到所述街景图片对应的目标检测特征；所述提前训练好的目标检测模型为复用预训练模型对应的编码器结构和参数进行训练得到的；所述预训练模型为提前训练好的基于深度学习的神经网络模型
4、将所述目标检测特征进行特征拆分，得到待检测特征，并将所述待检测特征分别输入到目标框多层感知机模块和类别多层感知机模块中，得到至少一个交通要素的目标框和所述至少一个交通要素的类型；所述交通要素的类型用于指示电子地图中道路要素的类别；
5、基于匈牙利算法从所述至少一个交通要素的目标框中查找匹配的交通要素，并基于所述交通要素的类型将至少一个交通要素进行分类和可视化显示。
6、可选的，所述预训练模型的训练过程包括：
7、获取第一训练数据集；所述第一训练数据集包括街景图片；
8、针对每一街景图片，将所述街景图片按照预定义大小进行重塑，得到第一图片，将所述第一图片按照预定义步长切分成a个第一图像块；a为大于1的正整数；
9、利用随机算法对所述a个第一图像块中的a-m个第一图像块进行遮挡，并将遮挡后的a个第一图像块逐一进行展平处理，得到a个一维向量；m为大于1且小于a的正整数；
10、为所述a个一维向量添加位置编码，得到a个初始向量，并将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型；所述位置编码为基于所述街景图片提前定义的编码向量。
11、可选的，将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型，包括：
12、将m个初始向量输入编码器中，得到第一特征图向量；所述编码器包括第一多头注意力机制模块、第一多层感知机模块和第一层归一化模块；所述第一多头注意力机制模块用于对所述m个初始向量进行融合处理；所述第一多层感知机模块用于对所述m个初始向量进行分类和映射处理；所述第一层归一化模块用于对所述m个初始向量进行标准化处理；所述m个初始向量为所述a个第一图像块中的未被遮挡的第一图像块对应的初始向量；
13、将所述第一特征图向量与a-m个初始向量进行组合，得到第二特征图向量，并将所述第二特征图向量输入解码器中，得到输出向量；所述解码器包括第二多头注意力机制模块、第二多层感知机模块和第二层归一化模块；所述第二多头注意力机制模块用于对所述第二特征图向量进行融合处理；所述第二多层感知机模块用于对所述第二特征图向量进行分类和映射处理；所述第二层归一化模块用于对所述第二特征图向量进行标准化处理；
14、将所述输出向量进行重塑处理，得到二维图像块，并按照所述街景图片的初始顺序将二维图像块组合成比对图像；
15、利用第一预定义算法计算所述比对图像和所述街景图片的第一差异值，并基于所述第一差异值更新预训练模型的参数，直至所述预训练模型的损失函数值满足第一预设条件，得到训练好的预训练模型。
16、可选的，所述目标检测模型的训练过程包括：
17、获取第二训练数据集；所述第二训练数据集包括多个第二样本；所述第二样本包括街景图片、所述街景图片对应的目标检测特征、所述街景图片所需检测的交通要素以及所述交通要素的目标框；
18、针对每一街景图片，将所述街景图片按照预定义大小进行重塑，得到第二图片，将所述第二图片按照预定义步长切分成a个第二图像块；a为大于1的正整数；
19、将所述a个第二图像块逐一进行展平处理，得到a个第一向量，并为所述a个第一向量添加位置编码，得到a个第二向量；所述位置编码为基于所述街景图片提前定义的编码向量；
20、将所述a个第二向量输入到训练好的预训练模型的编码器中，得到第三特征图向量，并基于所述第三特征图向量、所述街景图片所需检测的交通要素以及所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型。
21、可选的，基于所述第三特征图向量、所述街景图片所需检测的交通要素以及所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型，包括：
22、基于所述街景图片所需检测的交通要素进行编码操作，得到类别特征向量，并基于所述交通要素的目标框设置检测特征向量；
23、将所述检测特征向量、所述类别特征向量和所述第三特征图向量结合，得到第四特征图向量；
24、将所述第四特征图向量输入到训练好的预训练模型的解码器中，得到第一输出结果，并基于所述第一输出结果和所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型。
25、可选的，基于所述第一输出结果和所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型，包括：
26、将所述第一输出结果进行特征拆分，得到第二输出结果，并将所述第二输出结果分别输入到类别多层感知机模块和目标框多层感知机模块中，得到第三输出结果；
27、利用匈牙利算法查找所述第三输出结果对应的交通要素的预测框，并利用第二预定义算法计算所述预测框和所述目标框的第二差异值，并基于所述第二差异值更新目标检测模型模块的参数，直至所述目标检测模型的损失函数值满足第二预设条件，得到训练好的目标检测模型。
28、可选的，所述方法还包括：
29、获取人工输入的所述街景图片对应的待比对交通要素，将所述待比对交通要素与所述交通要素进行比对，得到比对结果；
30、基于所述比对结果判断查找到的交通要素的位置是否正确；
31、若否，则生成提示信息，以提醒用户对所述交通要素的位置进行修正。
32、第二方面，本申请还提供一种交通要素检测装置，所述装置包括本文档来自技高网...
【技术保护点】
1.一种交通要素检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预训练模型的训练过程包括：
3.根据权利要求2所述的方法，其特征在于，将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标检测模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，基于所述第三特征图向量、所述街景图片所需检测的交通要素以及所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型，包括：
6.根据权利要求5所述的方法，其特征在于，基于所述第一输出结果和所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型，包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
8.一种交通要素检测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
10.一种计算机可读存储介质/计算机程
...【技术特征摘要】
1.一种交通要素检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述预训练模型的训练过程包括：
3.根据权利要求2所述的方法，其特征在于，将所述a个初始向量和所述街景图片输入预训练模型中进行训练，得到训练好的预训练模型，包括：
4.根据权利要求1所述的方法，其特征在于，所述目标检测模型的训练过程包括：
5.根据权利要求4所述的方法，其特征在于，基于所述第三特征图向量、所述街景图片所需检测的交通要素以及所述交通要素的目标框进行模型参数优化，得到训练好的目标检测模型，包括：
...
【专利技术属性】
技术研发人员：姚毅，范淼，肖旭，宋向勃，
申请(专利权)人：合肥四维图新科技有限公司，
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。