【技术实现步骤摘要】
本专利技术涉及自动驾驶的视觉感知开发，尤其涉及一种红绿灯检测方法、装置、电子设备及存储介质。
技术介绍
1、感知模块是自动驾驶车辆与外部世界沟通的桥梁。在感知模块中，红绿灯感知是其中的重要一环，因为红绿灯语义信息是对车辆的行驶有非常重要的影响。因此红绿灯检测是自动驾驶系统中非常重要的功能模块，检测结果对车辆运动规划十分重要。
2、目前的自动驾驶红绿灯检测方案，主要是anchor-based的方法，对预定义的anchors进行类别的预测和bbox(bounding box)的回归。
3、这种方法也有一定局限性，首先自动驾驶所需要的模型需要海量的数据去进行超大规模的训练，数据量在亿级别，在这个情况下anchor-based的方案性能就不突出；其次针对一些图像扰动，红绿灯被遮挡的情况，anchor-based的模型鲁棒性，泛化能力不够。因此需要一种红绿灯检测方法，既能在海量数据训练下有较好的模型性能，模型还具有高可以高鲁棒性，强泛化能力。
技术实现思路
1、本专利技术提供了一种红绿灯检测方法、装置、电子设备及存储介质，通过基于注意力机制的红绿灯检测模型对红绿灯图像进行检测，可以快速准确的实现红绿灯感知，有效的提升了红绿灯检测模型的鲁棒性和泛化能力。
2、根据本专利技术的一方面，提供了一种红绿灯检测方法，该方法包括：
3、获取红绿灯图像；
4、利用红绿灯检测模型，对所述红绿灯图像进行检测，得到与所述红绿灯图像相对应的红绿灯类别和红
5、根据本专利技术的另一方面，提供了一种红绿灯检测装置，该装置包括：
6、红绿灯图像获取模块，用于获取红绿灯图像；
7、红绿灯检测模块，用于利用红绿灯检测模型，对所述红绿灯图像进行检测，得到与所述红绿灯图像相对应的红绿灯类别和红绿灯预测框；其中，所述红绿灯检测模型包括基于注意力机制检测框架。
8、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：
9、至少一个处理器；以及
10、与所述至少一个处理器通信连接的存储器；其中，
11、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红绿灯检测方法。
12、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红绿灯检测方法。
13、本专利技术实施例的技术方案，通过获取红绿灯图像，然后利用红绿灯检测模型，对红绿灯图像进行检测，得到与红绿灯图像相对应的红绿灯类别和红绿灯预测框。本技术方案，通过基于注意力机制的红绿灯检测模型对红绿灯图像进行检测，可以快速准确的实现红绿灯感知，有效的提升了红绿灯检测模型的鲁棒性和泛化能力。
14、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。
本文档来自技高网...【技术保护点】
1.一种红绿灯检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用红绿灯检测模型，对所述红绿灯图像进行检测，得到与所述红绿灯图像相对应的红绿灯类别和红绿灯预测框，包括：
3.根据权利要求2所述的方法，其特征在于，利用红绿灯检测模型对所述红绿灯图像执行红绿灯检测任务，并通过所述红绿灯检测模型执行所述红绿灯检测任务，输出与所述红绿灯图像相对应的红绿灯类别和红绿灯预测框，包括：
4.根据权利要求3所述的方法，其特征在于，通过红绿灯检测模型中的基于注意力机制检测框架，对所述图像特征进行检测，得到与所述红绿灯图像相对应的红绿灯类别和红绿灯预测框，包括：
5.根据权利要求3所述的方法，其特征在于，利用红绿灯检测模型中的可变性卷积神经网络对所述红绿灯图像进行特征提取，包括：
6.根据权利要求1所述的方法，其特征在于，所述红绿灯检测模型的确定过程包括：
7.根据权利要求6所述的方法，其特征在于，根据所述训练样本特征，对所述待训练红绿灯检测模型进行训练，得到训练更新后的红绿灯检测模型，包括：
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。