交通标志识别方法、装置及设备制造方法及图纸

本申请提供一种交通标志识别方法、装置及设备。其中，提出了MFEC‑YOLOv7网络，以实现可变尺寸和复杂背景下的交通标志准确识别。通过池化层和群卷积的融合，实现多尺度特征的提取和融合。此外，颈部网络引入了双向特征金字塔的协同工作机制，结合了深层和浅层特征，以增强不同网络层之间特征信息的交换。CA模块同时嵌入骨干网和颈部网，增强了交通标志位置特征信息在复杂环境下的特征提取能力。深度可分离卷积的使用减少了参数量，提高了计算速度。因此，采用该模型可以在保证检测速度的同时，避免多干扰因素下对各种尺度的交通标志的漏检和误检，提高检测精度。

【技术实现步骤摘要】

本申请涉及一种交通标志识别方法、装置及设备，属于图像处理。

技术介绍

1、随着人工智能技术的不断进步，无人驾驶技术已成为现代科技革新的重要里程碑。在无人驾驶系统中，交通信号标志(以下简称交通标志)的准确检测对于确保道路安全和提高交通流畅性发挥着至关重要的作用。交通标志由于在不同距离与角度下会呈现出视觉上的差异，使得交通标志检测成为了一个具有挑战性的多尺度目标检测任务。

2、近年来，深度学习技术在处理此类多尺度目标检测任务上取得了显著进展。其中，yolo系列作为经典的实时目标检测方法，在交通标志检测领域得到了广泛应用。不过，由于交通标志在大小、形状及背景差异方面的多样性，传统的yolo模型在精确度和鲁棒性方面仍有提升空间。

技术实现思路

1、为解决上述问题，本申请提供一种交通标志识别方法。

2、为了实现上述目的，本申请提供如下技术方案：

3、第一方面，本申请实施例提供一种交通标志识别方法，其包括：

4、构建待训练模型，所述待训练模型基于yolov7网络改进得到，用本文档来自技高网...

【技术保护点】

1.一种交通标志识别方法，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，所述主干网络包括MEFC结构，所述MEFC结构通过融合ELAN模块和MPConv模块得到，包括多个CBS模块、多个DWConv模块、Maxpool模块和CA模块，用于相互配合以提高模型对存在多种干扰的输入图像中不同尺度的交通标志的识别能力，同时保证检测速度；其中，所述CBS模块、所述DWConv模块和所述Maxpool模块用于相互配合进行至少一次卷积操作，以提取和融合输入图像的多个尺度的特征信息，且相比于ELAN模块和MPConv模块，在提升网络学习能力的同时而不破坏原始梯度路径，提高网络...

【技术特征摘要】

1.一种交通标志识别方法，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，所述主干网络包括mefc结构，所述mefc结构通过融合elan模块和mpconv模块得到，包括多个cbs模块、多个dwconv模块、maxpool模块和ca模块，用于相互配合以提高模型对存在多种干扰的输入图像中不同尺度的交通标志的识别能力，同时保证检测速度；其中，所述cbs模块、所述dwconv模块和所述maxpool模块用于相互配合进行至少一次卷积操作，以提取和融合输入图像的多个尺度的特征信息，且相比于elan模块和mpconv模块，在提升网络学习能力的同时而不破坏原始梯度路径，提高网络在处理多尺度特征融合时的能力，以使得模型能够对各种不同尺度的目标进行识别；所述ca模块用于利用注意力机制对所述多个尺度的特征信息进行处理，以捕捉和学习其中的位置特征信息，得到关键的特征信息，降低输入图像中复杂背景和不同天气环境对模型识别精度的干扰，且在进行特征提取时，所述dwconv模块通过...

【专利技术属性】
技术研发人员：晏涌，李云鹏，赵浩然，刘学君，王微微，郭嘉程，张朔，沙芸，王雪睿，江逸楠，韩若梅，雷天科，
申请(专利权)人：北京石油化工学院，
类型：发明
国别省市：