【技术实现步骤摘要】
本专利技术涉及自动驾驶，尤其涉及一种交通信号灯的识别方法、装置、电子设备及计算机可读存储介质。
技术介绍
1、随着汽车工业的快速发展和人们生活水平的提高，汽车已称为人们主要的代步工具，人们对汽车的要求也从安全性，稳定性逐渐走向智能化方向。辅助驾驶以及未来的无人驾驶已然成为趋势，在辅助驾驶和未来的无人驾驶中，交通的实时路况十分重要，而交通的实时路况很大程度上由交通信号灯进行调节，交通信号灯是指挥交通运行的信号灯，一般由红灯、绿灯和黄灯组成。红灯表示禁止通行，绿灯表示准许通行，黄灯表示警示。交通信号灯分为：机动车信号灯、非机动车信号灯、人行横道信号灯、方向指示指示灯(箭头信号灯)、倒计时、车道信号灯、闪光警告信号灯、道路与铁路平面交叉道口信号灯等。
2、相关技术中，可以基于传统图像处理算法进行交通信号灯的检测和识别，也可以利用深度学习算法进行交通信号灯的检测和识别。但是，基于传统图像处理算法的方案识别种类少，效果差，鲁棒性差，需要设计复杂的算法逻辑，难以用一个算法感知所有类型的交通信号灯。而基于深度学习算法的识别，在交通信息灯的检测过程中，虽然以每个交通信息灯的灯泡为单位进行检测，并对检测到的目标位置做好分类，但是枚举所有类别需要更多的计算开销，而且目标尺寸过小的问题也大大降低了检测的精度和效果。
3、因此，如何提高交通信号灯状态识别的精准度，是目前有待解决的技术问题。
技术实现思路
1、本专利技术提供一种交通信号灯的识别方法、装置、电子设备及计算机可读存储介质
2、根据本专利技术实施例的第一方面，提供一种交通信号灯的识别方法，包括：
3、获取当前道路的图像数据中目标交通信号灯箱的位置信息；
4、根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果；
5、对所述多标签分类结果进行后处理，输出所述目标交通信号灯灯箱上交通信号灯的感知结果。
6、可选的，所述获取当前道路的图像数据中目标交通信号灯箱的位置信息，包括：
7、获取当前道路的图像数据；
8、将所述图像数据输入到目标检测网络中训练好的检测模型进行检测，输出包括目标交通信号灯灯箱的位置信息的多个边界框，以及每个边界框所属的类型和置信度，其中，所述每个边界框用来表示目标交通信号灯灯箱的位置信息，所述类型用来确认边界框内是否为目标交通信号灯灯箱，所述置信度为表示所述边界框中包括目标交通信号灯灯箱的概率。
9、可选的，所述方法包括：预选训练目标检测网络中的检测模型，包括：
10、获取训练集，所述训练集包括多个带有交通信号灯灯箱的图像，以及对每个图像进行标注标签的图像，所述标签包括：类别和位置信息；
11、将所述训练集输入到目标检测网络中的检测模型中，利用yolox的训练脚本进行目标检测训练，在目标训练过程中，将对每个带有交通信号灯灯箱的图像的目标检测结果与对应图像的标注标签进行比较，根据比较结果的差距计算损失值，基于所述损失值，通过反向传播机制更新所述检测模型的参数，经过多次迭代，直至所述损失值达到最小值或所述检测模型收敛，得到训练好的检测模型。
12、可选的，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果包括：
13、基于所述目标交通信号灯灯箱的位置信息，裁剪出对应的所述目标交通信号灯灯箱图像；
14、将所述目标交通信号灯灯箱图像输入到多标签分类网络进行多标签分类，通过多标签每个输出通道，输出所述目标交通信号灯灯箱上交通信号灯的多个属性预测值的向量；
15、将每个属性预测值的向量分别与对应预设阈值进行比较，并将大于预设阈值的每个属性预测值的向量作为对应标签的分类结果；
16、统计所有标签的分类结果，得到所述目标交通信号灯灯箱上交通信号灯的层级属性状态的多标签分类结果，其中，所述层级属性包括：朝向，状态，形状，颜色和倒计时数值。
17、可选的，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果还包括：
18、对裁剪的所述目标交通信号灯灯箱图像进行超分辨率处理，得到超高分辨率的所述目标交通信号灯灯箱图像；
19、将超高分辨率的所述目标交通信号灯灯箱图像输入到多标签分类网络进行多标签分类，通过多标签每个输出通道，输出所述目标交通信号灯灯箱上交通信号灯的多个属性预测值的向量。
20、可选的，所述对所述多标签分类结果按照每个输出通道代表的属性分别进行后处理，输出所述目标交通信号灯灯箱上交通信号灯的感知结果，包括：
21、对所述多标签分类结果进行二值化处理，得到二值化处理结果；
22、将所述二值化处理结果作为所述目标交通信号灯灯箱上交通信号灯的感知结果，所述感知结果包括：位置信息和类别信息。
23、可选的，所述对所述多标签分类结果按照每个输出通道代表的属性分别进行二值化处理，得到二值化处理结果，包括：
24、将所述多标签分类结果按照每个输出通道代表的属性分别与对应的预设阈值进行比较；
25、在所述多标签分类结果均满足对应的预设阈值时，将所述多标签分类结果按照属性通道依次进行融合，输出所述目标交通信号灯灯箱上交通信号灯的感知结果。
26、可选的，所述对所述多标签分类结果按照每个输出通道代表的属性分别进行二值化处理，得到二值化处理结果，还包括：
27、在所述多标签分类结果中有不满足对应的预设阈值时，通过时域滤波器剔除掉不满足预设阈值的分类结果；
28、将剔除后的所述多标签分类结果按照属性通道依次进行融合，输出所述目标交通信号灯灯箱上交通信号灯的感知结果。
29、可选的，在所述输出所述目标交通信号灯灯箱上交通信号灯的感知结果之前，所述方法还包括：
30、将所述感知结果与当前时间的上一时间的感知结果和上上时间的感知结果分别进行比较；
31、如果所述感知结果均相同，则执行所述输出所述目标交通信号灯灯箱上交通信号灯的感知结果的步骤；或者
32、如果所述感知结果与所述上一时间的感知结果相同，且与所述上上一时间的感知结果不相同，则执行所述输出所述目标交通信号灯灯箱上交通信号灯的感知结果的步骤；或者
33、如果所述感知结果与所述上一时间的感知结果不相同，且与所述上上一时间的感知结果相同，则输出所述上上一时间的感知结果。
34、根据本专利技术实施例的第二方面，提供一种交通信号灯的识别装置，包括：
35、获取模块，用于获取当前道路的图像数据中目标交通信号灯箱的位置信息；
36、确定模块，用于根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层本文档来自技高网...
【技术保护点】
1.一种交通信号灯的识别方法，其特征在于，包括：
2.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述获取当前道路的图像数据中目标交通信号灯箱的位置信息，包括：
3.根据权利要求2所述的交通信号灯的识别方法，其特征在于，所述方法包括：预选训练目标检测网络中的检测模型，包括：
4.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果包括：
5.根据权利要求4所述的交通信号灯的识别方法，其特征在于，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果还包括：
6.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述对所述多标签分类结果进行后处理，输出所述目标交通信号灯灯箱上交通信号灯的感知结果，包括：
7.根据权利要求6所述的交通信号灯的识别方法，其特征在于，所述对所述多标签分类结果按照每个输出通道代表的属性分别进行二值化处理，得到二值化处理结果，包括：
8.根据权利要求7所述的交通信号灯的识别方法，其特征在于，所述对所述多标签分类结果按照每个输出通道代表的属性分别进行二值化处理，得到二值化处理结果，还包括：
9.根据权利要求1至8任一项所述的交通信号灯的识别方法，其特征在于，在所述输出所述目标交通信号灯灯箱上交通信号灯的感知结果之前，所述方法还包括：
10.一种交通信号灯的识别装置，其特征在于，包括：
11.一种电子设备，其特征在于，包括：
12.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至9中任一项所述的交通信号灯的识别方法。
...【技术特征摘要】
1.一种交通信号灯的识别方法，其特征在于，包括：
2.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述获取当前道路的图像数据中目标交通信号灯箱的位置信息，包括：
3.根据权利要求2所述的交通信号灯的识别方法，其特征在于，所述方法包括：预选训练目标检测网络中的检测模型，包括：
4.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果包括：
5.根据权利要求4所述的交通信号灯的识别方法，其特征在于，所述根据所述目标交通信号灯灯箱的位置信息，确定所述目标交通信号灯灯箱的层级属性状态的多标签分类结果还包括：
6.根据权利要求1所述的交通信号灯的识别方法，其特征在于，所述对所述多标签分类结果进行后处理，输出所述目标交通信号灯灯箱上交通信号灯的感...
【专利技术属性】
技术研发人员：陈晓萌，
申请(专利权)人：北京鉴智科技有限公司，
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。