【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及一种道路标志检测方法、装置和计算机设备。
技术介绍
1、智能驾驶是指汽车通过搭载传感器、控制器、执行器和通讯模块等设备实现协助驾驶员对车辆的操控，甚至完全代替驾驶员实现无人驾驶的功能。准确识别道路上的交通标志，是实现智能驾驶的过程中重要的环节。
2、传统技术中，通常利用深度学习的检测算法来检测道路上的交通标志。但是，在道路上的交通标志处于复杂环境的情况下，例如，在雨、雾或阳光直射等环境中，或者拍摄视角存在遮挡，再或者交通标志由于长期暴露在室外引起的褪色等情况时，传统技术中的检测算法存在交通标志识别不准确的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种道路标志检测方法、装置和计算机设备，能够提高识别交通标志的准确性。
2、第一方面，本申请提供了一种道路标志检测方法，所述方法包括：
3、获取包含道路标志的待检测图像；
4、通过包括扩张率连续的接受域模块的特征提取网络对所述待检测图像进行特征提取，得到多个不同分辨率的目标特征图；
5、通过检测头网络对多个不同分辨率的目标特征图进行道路标志检测，得到各目标特征图对应的道路标志检测结果；
6、根据各目标特征图对应的道路标志检测结果，确定所述待检测图像的道路标志检测结果。
7、在其中一个实施例中，所述特征提取网络包括主干网络和包含扩张率连续的接受域模块的颈部网络；所述主干网络包括多个首尾相连的基础特征层，且不同基
8、相应的，所述通过包括扩张率连续的接受域模块的特征提取网络对所述待检测图像进行特征提取，得到多个不同分辨率的目标特征图，包括：
9、将所述待检测图像输入至所述主干网络，得到所述主干网络中各基础特征层输出的基础特征图；
10、将各基础特征图输入至所述颈部网络，得到多个不同分辨率的目标特征图。
11、在其中一个实施例中，所述颈部网络还包括上采样网络和下采样网络；
12、其中，所述上采样网络包括多个首尾相连的上采样层，以及所述下采样网络包括多个首尾相连的下采样层；
13、所述主干网络中的基础特征层与所述上采样网络中的上采样层一一对应，所述上采样网络中的上采样层和所述下采样网络中的下采样层一一对应，所述接受域模块位于所述上采样网络中的末尾上采样层与所述下采样网络中的首个下采样层之间。
14、在其中一个实施例中，所述将各基础特征图输入至所述颈部网络，得到多个不同分辨率的目标特征图，包括：
15、将各基础特征图输入至所述上采样网络中对应的上采样层，得到所述上采样网络中上采样层基于上采样输入特征输出的上采样特征图；其中，所述上采样网络中首个上采样层的上采样输入特征包括主干网络中末尾基础特征层输出的基础特征图；所述上采样网络中其他任一上采样层的上采样输入特征包括该上采样层的上一上采样层输出的上采样特征图，以及该上采样层对应的基础特征层输出的基础特征图；
16、将所述上采样网络中上采样层输出的上采样特征图输入至所述下采样网络中对应的下采样层，得到所述下采样网络中下采样层基于下采样输入特征输出的多个不同分辨率的目标特征图；其中，所述下采样网络中首个下采样层的下采样输入特征包括末尾上采样层输出的上采样特征图经所述接受域模块处理得到的扩张特征图；所述下采样网络中其他任一下采样层的下采样输入特征包括该下采样层的上一下采样层输出的目标特征图，以及该下采样层对应的上采样层输出的上采样特征图。
17、在其中一个实施例中，所述首个上采样层输出的上采样特征图是对所述末尾基础特征层输出的基础特征图进行卷积处理得到的；
18、所述上采样网络中末尾上采样层输出的上采样特征图是将所述末尾上采样层的上采样输入特征中基础特征图，与所述末尾上采样层的上采样输入特征中上采样特征图经上采样处理得到的中间特征图进行拼接得到的；
19、所述上采样网络中其他任一上采样层输出的上采样特征图是对该上采样层的上采样输入特征对应的第一融合特征图进行卷积处理得到的；
20、所述第一融合特征图是基于注意力机制模块对初始融合特征图进行处理得到的；
21、所述初始融合特征图是将该上采样层的上采样输入特征中上采样特征图经上采样处理得到的中间特征图，与该上采样层的上采样输入特征中基础特征图进行拼接得到的。
22、在其中一个实施例中，所述首个下采样层输出的目标特征图是对第二融合特征图进行卷积处理得到的，所述第二融合特征图是基于注意力机制模块对所述扩张特征图进行处理得到的；
23、所述下采样网络中其他任一下采样层输出的目标特征图是对第三融合特征图进行卷积处理得到的；
24、所述第三融合特征图是基于注意力机制模块对拼接特征图进行处理得到的；
25、所述拼接特征图是对该下采样层的下采样输入特征中上采样特征图，与该下采样层的下采样输入特征中目标特征图经卷积处理得到的卷积特征图进行拼接得到的。
26、在其中一个实施例中，所述接受域模块包括融合卷积层、激活函数层和多个卷积扩张层；其中，所述多个卷积扩张层的扩张率连续。
27、在其中一个实施例中，所述方法还包括：
28、将所述末尾上采样层输出的上采样特征图分别输入至多个卷积扩张层，得到各卷积扩张层的输出特征图；
29、将各卷积扩张层的输出特征图输入至所述融合卷积层进行融合处理，得到第四融合特征图；
30、将所述第四融合特征图和所述末尾上采样层输出的上采样特征图经残差处理得到的残差特征图输入至所述激活函数层，得到所述扩张特征图。
31、第二方面，本申请还提供了一种道路标志检测装置，所述装置包括：
32、获取模块，用于获取包含道路标志的待检测图像；
33、特征提取模块，用于通过包括扩张率连续的接受域模块的特征提取网络对所述待检测图像进行特征提取，得到多个不同分辨率的目标特征图；
34、检测模块，用于通过检测头网络对多个不同分辨率的目标特征图进行道路标志检测，得到各目标特征图对应的道路标志检测结果；
35、确定模块，用于根据各目标特征图对应的道路标志检测结果，确定所述待检测图像的道路标志检测结果。
36、第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
37、获取包含道路标志的待检测图像；
38、通过包括扩张率连续的接受域模块的特征提取网络对所述待检测图像进行特征提取，得到多个不同分辨率的目标特征图；
39、通过检测头网络对多个不同分辨率的目标特征图进行道路标志检测，得到各目标特征图对应的道路标志检测结果；
40、根据各目标特征图对应的道路标志检测结果，确定所述待检测图像的本文档来自技高网...
【技术保护点】
1.一种道路标志检测方法，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，所述特征提取网络包括主干网络和包含扩张率连续的接受域模块的颈部网络；所述主干网络包括多个首尾相连的基础特征层，且不同基础特征层的分辨率不同；
3.根据权利要求2所述的方法，其特征在于，所述颈部网络还包括上采样网络和下采样网络；
4.根据权利要求3所述的方法，其特征在于，所述将各基础特征图输入至所述颈部网络，得到多个不同分辨率的目标特征图，包括：
5.根据权利要求4所述的方法，其特征在于，所述首个上采样层输出的上采样特征图是对所述末尾基础特征层输出的基础特征图进行卷积处理得到的；
6.根据权利要求4所述的方法，其特征在于，所述首个下采样层输出的目标特征图是对第二融合特征图进行卷积处理得到的，所述第二融合特征图是基于注意力机制模块对所述扩张特征图进行处理得到的；
7.根据权利要求4所述的方法，其特征在于，所述接受域模块包括融合卷积层、激活函数层和多个卷积扩张层；其中，所述多个卷积扩张层的扩张率连续。
8.根
9.一种道路标志检测装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种道路标志检测方法，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，所述特征提取网络包括主干网络和包含扩张率连续的接受域模块的颈部网络；所述主干网络包括多个首尾相连的基础特征层，且不同基础特征层的分辨率不同；
3.根据权利要求2所述的方法，其特征在于，所述颈部网络还包括上采样网络和下采样网络；
4.根据权利要求3所述的方法，其特征在于，所述将各基础特征图输入至所述颈部网络，得到多个不同分辨率的目标特征图，包括：
5.根据权利要求4所述的方法，其特征在于，所述首个上采样层输出的上采样特征图是对所述末尾基础特征层输出的基础特征图进行卷积处理得到的；
6...
【专利技术属性】
技术研发人员：王德平，李丹，刘宇杰，
申请(专利权)人：中国第一汽车股份有限公司，
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。