CN113591543A - 交通标志识别方法、装置、电子设备及计算机存储介质 - Google Patents
交通标志识别方法、装置、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN113591543A CN113591543A CN202110636627.6A CN202110636627A CN113591543A CN 113591543 A CN113591543 A CN 113591543A CN 202110636627 A CN202110636627 A CN 202110636627A CN 113591543 A CN113591543 A CN 113591543A
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- module
- traffic
- data
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 51
- 238000012795 verification Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000011897 real-time detection Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种交通标志识别方法、装置、电子设备及计算机存储介质,涉及图像识别技术领域。该方法包括:获取预设的交通标志数据集,采用预设的聚类算法对交通标志数据集中的交通标志进行聚类,确定各类交通标志的尺寸;采用训练后的交通标志识别模型对待识别交通标志进行识别,确认待识别交通标志的类别。本申请实施例通过预设的聚类方法先对数据集进行聚类,对交通标志识别模型进行训练,可以获取图像中不同尺度的感受野信息,并可以将获取到的不同尺度的信息融合,增强浅层网络预测交通标志的能力,进而提高交通标志的检测准确率。减少网络参数并降低网络复杂度,以此提高交通标志的检测速度,达到对交通标志的实时检测。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,本申请涉及一种交通标志 识别方法、装置、电子设备及计算机存储介质。
背景技术
近年来,无人驾驶越来越受到全球的关注,为保证无人驾驶车辆能够 上路安全,需要对周围环境信息进行感知,现有技术都是通过激光雷达来 确定前方目标与车的实际距离,但其无法确定目标的类别,所以需要辅助 摄像头来实时且精准地检测出路面上所有目标,能够识别越远的目标,就 越能增大车辆的反应时间及时制动避免碰撞,交通标志检测识别是无人驾 驶感知部分的重要一环,自动驾驶***通过获取交通标志的类别及距离的 信息及时的做出正确的决策信息。
现实生活中交通标志的像素约占视野图像的0.001%至5%,尺寸小, 占据像素点少,特征不明显导致其相比大目标而言检测困难,同时,交通 标志的检测还受到天气条件的影响,恶劣的天气状况使得交通标志难以辨 认,例如有雾,天气昏暗,复杂的场景等,现有的深度学习检测算法难以 对现实场景下的小目标交通标志进行有效及高精度的检测与识别。
由此可见,现有技术对小目标交通标志的识别的精度不高,需要改进。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术 对小目标交通标志的识别的精度不高的技术缺陷。
根据本申请的一个方面,提供了一种交通标志识别方法,该方法包括:
获取预设的交通标志数据集,所述交通标志数据集包括训练集和验证 集;
采用预设的聚类算法对所述交通标志数据集中的交通标志进行聚类, 确定各类所述交通标志的尺寸;
使用所述训练集对预设的交通标志识别模型进行训练,得到训练后的 交通标志识别模型;
采用训练后的所述交通标志识别模型对待识别交通标志进行识别,确 认所述待识别交通标志的类别。
作为本申请一种可能的实施方式,在该实施方式中,所述采用预设的 聚类算法对所述交通标志数据集中的交通标志进行聚类,确定各类所述交 通标志的尺寸,包括:
设置预设数量的聚类,并确定对应数量的初始聚类中心;
计算所述交通标志数据集中每个交通标志数据中数据点距离所述初 始聚类中心的距离;
将所述距离在预设范围内的数据点确定为聚类中心所在的簇;
将所述簇的所有数据的中心点作为所述聚类的中心点,直到所述聚类 的中心点不再移动,将所述聚类的中心点作为所述聚类的交通标志尺寸。
作为本申请一种可能的实施方式,在该实施方式中,所述交通标志识 别模型的训练步骤包括:
将所述训练数据输入第一分支计算得到第一输出,所述第一分支包括 一个卷积模块;
将所述训练数据输入第二分支计算得到第二输出,所述第二分支包括 两个卷积模块;
将所述训练数据输入第三分支计算得到第三输出,所述第三分支包括 四个卷积模块;
将所述训练数据输入第四分支计算得到第四输出,所述第四分支包括 一个最大池化模块;
将所述第一输出、第二输出、第三输出、以及第四输出进行融合,并 对融合后的结果进行一次卷积计算,得到输出结果,
作为本申请一种可能的实施方式,在该实施方式中,所述方法还包括:
采用所述训练集计算训练后的所述交通标志识别模型的损失误差,当 所述损失误差在预设范围内时,得到训练好的所述交通标志识别模型。
作为本申请一种可能的实施方式,在该实施方式中,所述第一分支的 一个卷积模块为1*1的卷积模块,所述第二分支的两个卷积模块分别为一 个1*1的卷积模块和一个3*3的卷积模块,所述第三分支的四个卷积模块 分别为一个1*1的卷积模块和三个3*3的卷积模块。
作为本申请一种可能的实施方式,在该实施方式中,
所述交通标志识别模型还包括深层网络特征图模块和浅层网络特征 图模块,,所述深层网络特征图用于输出大目标预测尺寸、所述浅层网络 特征图模块用于输出目标预测尺寸和小目标预测尺寸。
作为本申请一种可能的实施方式,在该实施方式中,所述方法还包括:
将所述大目标预测尺寸、中目标预测尺寸和小目标预测尺寸与所述输 出结果进行融合,得到最终输出结果。
根据本申请的另一个方面,提供了一种交通标志识别装置,该装置包 括:
数据获取模块,用于获取预设的交通标志数据集,所述交通标志数据 集包括训练集和验证集;
聚类模块,用于采用预设的聚类算法对所述交通标志数据集中的交通 标志进行聚类,确定各类所述交通标志的尺寸;
训练模块,用于使用所述训练集对预设的交通标志识别模型进行训 练,得到训练后的交通标志识别模型;
识别模块,用于采用训练后的所述交通标志识别模型对待识别交通标 志进行识别,确认所述待识别交通标志的类别。
根据本申请的另一个方面,提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存 储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配 置用于:执行上述的交通标志识别方法。
根据本申请的再一个方面,提供了一种计算机存储介质,所述存储介 质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条 指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行 以实现上述的交通标志识别方法。
本申请实施例通过预设的聚类方法先对数据集进行聚类,并通过聚类 后的数据集对交通标志识别模型进行训练,可以获取图像中不同尺度的感 受野信息,并可以将获取到的不同尺度的信息融合,增强浅层网络预测交 通标志的能力,进而提高交通标志的检测准确率,减少网络参数并降低网 络复杂度,以此提高交通标志的检测速度,达到对交通标志的实时检测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施 例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种交通标志识别方法的流程示意图;
图2为本申请实施例提供的一种数据点聚类方法的流程示意图;
图3为本申请实施例提供的一种初始重定义模块的结构示意图;
图4为本申请实施例提供的一种深层网络结构示意图;
图5为本申请实施例提供的一种交通标志识别装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特 征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表 示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照 比例绘制。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本 申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现, 而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了 更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅 用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的 顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/ 或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。 术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一 个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语 “一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文 描述中给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对装置、 模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的 装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能 的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非 限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则 应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅 用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。为 使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实 施方式作进一步地详细描述。
本申请实施例提供的交通标志识别方法,可以应用于无人驾驶***, 用于对交通标志进行识别,进而进行正确的道路规划,由于现实生活中交 通标志的像素约占视野图像的0.001%至5%,尺寸小,占据像素点少, 特征不明显导致其相比大目标而言检测困难,同时,交通标志的检测还受 到天气条件的影响,恶劣的天气状况使得交通标志难以辨认,例如有雾, 天气昏暗,复杂的场景等,现有的深度学习检测算法难以对现实场景下的 小目标交通标志进行有效及高精度的检测与识别。本申请实施例通过预设 的聚类方法先对数据集进行聚类,并通过聚类后的数据集对交通标志识别 模型进行训练,可以获取图像中不同尺度的感受野信息,并可以将获取到 的不同尺度的信息融合,增强浅层网络预测交通标志的能力,进而提高交 通标志的检测准确率,减少网络参数并降低网络复杂度,以此提高交通标 志的检测速度,达到对交通标志的实时检测。
本申请提供的交通标志识别方法、装置、电子设备和计算机可读存储 介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如 何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结 合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将 结合附图,对本申请的实施例进行描述。
本申请实施例中提供了一种交通标志识别方法,如图1所示,该方法 包括:
步骤S101,获取预设的交通标志数据集,所述交通标志数据集包括 训练集和验证集;
步骤S102,采用预设的聚类算法对所述交通标志数据集中的交通标 志进行聚类,确定各类所述交通标志的尺寸;
步骤S103,使用所述训练集对预设的交通标志识别模型进行训练, 得到训练后的交通标志识别模型;
步骤S104,采用训练后的所述交通标志识别模型对待识别交通标志 进行识别,确认所述待识别交通标志的类别。
在本申请实施例中,交通标志数据集是指包含有交通标志的图像数 据,可以是图片,也可以是视频,作为本申请一个实施例,该交通标志数 据集可以采用TT100K数据集,并将该数据集分为训练集和验证集,其中, 训练集中可以包括大部分数据,而验证集中只需要包括小部分数据即可。 在获取到交通标志数据集之后,先采用预设的聚类算法对该数据集中的数 据进行聚类,确定数据集中交通标志的种类,其中,该种类的区分标准是 交通标志的尺寸,对交通标志数据集中的数据进行分类后,确定每种类别 的交通标志的尺寸大小,并基于该尺寸大小,采用预设的目标检测模型对 待识别的图像数据进行识别,确定待检测的目标交通标志,其中,该目标 交通标志的尺寸与前述通过聚类识别的尺寸中的一个对应。采用训练集对 预设的交通标志识别模型进行训练,并采用训练后的模型对待识别交通标 志进行识别,得到待识别交通标志的类别,本申请实施例通过预设的聚类 方法先对数据集进行聚类,并通过聚类后的数据集对交通标志识别模型进 行训练,可以获取图像中不同尺度的感受野信息,并可以将获取到的不同 尺度的信息融合,增强浅层网络预测交通标志的能力,进而提高交通标志 的检测准确率,减少网络参数并降低网络复杂度,以此提高交通标志的检 测速度,达到对交通标志的实时检测。
本申请实施例提供了一种可能的实现方式,在该实现方式中,如图2 所示,所述采用预设的聚类算法对所述交通标志数据集中的交通标志进行 聚类,确定各类所述交通标志的尺寸,包括:
步骤S201,设置预设数量的聚类,并确定对应数量的初始聚类中心;
步骤S202,计算所述交通标志数据集中每个交通标志数据中数据点 距离所述初始聚类中心的距离;
步骤S203,将所述距离在预设范围内的数据点确定为聚类中心所在 的簇;
步骤S204,将所述簇的所有数据的中心点作为所述聚类的中心点, 直到所述聚类的中心点不再移动,将所述聚类的中心点作为所述聚类的交 通标志尺寸。
在本申请实施例中,在对数据进行聚类时,采用K-means聚类算法, 当预测特征图预测到交通标志时,可以预测出无数种交通标志的尺寸,此 时需要参考锚框大小来进行预测,锚框为最接近交通标志的宽度和高度。 先人为选择k个聚类,随机选择k个初始聚类中心,循环计算每个数据点 到聚类中心的距离d,d值较小的数据点被划分为聚类中心所在的簇,选 择每个簇中所有数据点的中心作为新的聚类中心,当经过多轮迭代后得到 最终的聚类中心即为锚框,根据K-means聚类算法后生成的9个锚框比例, 用于代替配置文件中anchor值。
本申请实施例通过采用K-means聚类算法,能够有效确认锚框比例, 便于后续交通标志的识别。
作为本申请一种可能的实施方式,在该实施方式中,所述交通标志识 别模型的训练步骤包括:
将所述训练数据输入第一分支计算得到第一输出,所述第一分支包括 一个卷积模块;
将所述训练数据输入第二分支计算得到第二输出,所述第二分支包括 两个卷积模块;
将所述训练数据输入第三分支计算得到第三输出,所述第三分支包括 四个卷积模块;
将所述训练数据输入第四分支计算得到第四输出,所述第四分支包括 一个最大池化模块;
将所述第一输出、第二输出、第三输出、以及第四输出进行融合,并 对融合后的结果进行一次卷积计算,得到输出结果。
所述第一分支的一个卷积模块为1*1的卷积模块,所述第二分支的两 个卷积模块分别为一个1*1的卷积模块和一个3*3的卷积模块,所述第三 分支的四个卷积模块分别为一个1*1的卷积模块和三个3*3的卷积模块。
所述交通标志识别模型还包括深层网络特征图模块和浅层网络特征 图模块,所述深层网络特征图用于输出大目标预测尺寸、所述浅层网络特 征图模块用于输出目标预测尺寸和小目标预测尺寸。
所述方法还包括:
将所述大目标预测尺寸、中目标预测尺寸和小目标预测尺寸与所述输 出结果进行融合,得到最终输出结果。
在本申请实施例中,如图3所示,为本申请实施例提供的一种初始重 定义模块(Inception-redefined module)结构示意图,其中,结构共包含四 个分支,第一个分支由一个1*1的卷积组成;第二个分支由一个1*1的卷 积,然后再连接一个3*3的卷积组成;第三个分支由一个1*1的卷积后连 着三个3*3的卷积组成;第四个分支由最大池化层组成,7*7卷积在为大 范围的小目标提供语义信息方面非常有效,本文使用三个3*3的卷积代替 一个7*7卷积可以节省7*7/3*3*3=1.81倍计算量,进而可以提升计算速度。 3*3卷积层之前是1*1卷积层,用于减少输入通道数,大大减少了网络参 数的数量同时又增加了网络的深度,池化层用于提取图像特征。四个分支 分别进行了不同尺度的特征提取,增加了网络对于不同尺度的适应性并得 到了多个尺度的信息,然后将四个分支下的特征图进行融合,最后通过 1*1卷积层来减少输出通道数。
将Inception-redefined module结构分别引入交通标志识别模型的输出 52*52(及26*26)特征图和级联模块之间,如图4所示,通过将浅层网络特 征图(shallow-networklayer)连接到深层网络的特征图(deep-network layer) 中,将深层特征信息与浅层特征信息结合在一起,有助于增强浅层网络对 交通标志的预测能力,进而提升检测准确率。
在本申请实施例中,交通标志识别模型使用卷积核大小为3*3,步 长为2的卷积共执行5次下采样,形成5种大小的特征图,即208*208、 104*104、52*52、26*26和13*13。其中,13*13输出特征图经过 ConvSet,3*3及1*1卷积之后输出大目标预测尺度Y1。26*26输出特征 图先进行步长为2的上采样操作,然后通过concatenate连接到 Inception-redefinedmodule结构上,再经过ConvSet,3*3及1*1卷积之后 输出中等大小目标预测尺度Y2。同理,52*52输出特征图进行步长为2 的上采样操作,然后通过concatenate连接到Inception-redefined module结 构上,再经过ConvSet,3*3及1*1卷积之后输出小目标预测尺度Y3。同时在Y1,Y2,Y3三种不同尺度上进行交通标志预测。
在本申请实施例中,通过对基础结构进行剪枝,共减少了8个残差模 块,有助于减少网络参数和降低模型复杂度,最终提高模型的检测速度。
本申请实施例通过预设的聚类方法先对数据集进行聚类,并通过聚类 后的数据集对交通标志识别模型进行训练,可以获取图像中不同尺度的感 受野信息,并可以将获取到的不同尺度的信息融合,增强浅层网络预测交 通标志的能力,进而提高交通标志的检测准确率,减少网络参数并降低网 络复杂度,以此提高交通标志的检测速度,达到对交通标志的实时检测。
本申请实施例提供了一种交通标志识别装置,如图5所示,该交通标 示识别装置50可以包括:数据获取模块501、聚类模块502、训练模块 503、以及识别模块504,其中,
数据获取模块501,用于获取预设的交通标志数据集,所述交通标志 数据集包括训练集和验证集;
聚类模块502,用于采用预设的聚类算法对所述交通标志数据集中的 交通标志进行聚类,确定各类所述交通标志的尺寸;
训练模块503,用于使用所述训练集对预设的交通标志识别模型进行 训练,得到训练后的交通标志识别模型;
识别模块504,用于采用训练后的所述交通标志识别模型对待识别交 通标志进行识别,确认所述待识别交通标志的类别。
作为本申请一种可能的实施方式,在该实施方式中,聚类模块502在 采用预设的聚类算法对所述交通标志数据集中的交通标志进行聚类,确定 各类所述交通标志的尺寸时,可以用于:
设置预设数量的聚类,并确定对应数量的初始聚类中心;
计算每个交通标志数据中数据点距离所述初始聚类中心的距离;
将所述距离在预设范围内的数据点确定为聚类中心所在的簇;
将所述簇的中心点作为所述聚类的中心点,并确定所述聚类对应的交 通标志的尺寸。
作为本申请一种可能的实施方式,在该实施方式中,所述交通标志识 别模型的训练步骤包括:
将所述训练数据输入第一分支计算得到第一输出,所述第一分支包括 一个卷积模块;
将所述训练数据输入第二分支计算得到第二输出,所述第二分支包括 两个卷积模块;
将所述训练数据输入第三分支计算得到第三输出,所述第三分支包括 四个卷积模块;
将所述训练数据输入第四分支计算得到第四输出,所述第四分支包括 一个最大池化模块;
将所述第一输出、第二输出、第三输出、以及第四输出进行融合,并 对融合后的结果进行一次卷积计算,得到输出结果,
作为本申请一种可能的实施方式,在该实施方式中,所述装置还用于:
采用所述训练集计算训练后的所述交通标志识别模型的损失误差,当 所述损失误差在预设范围内时,得到训练好的所述交通标志识别模型。
作为本申请一种可能的实施方式,在该实施方式中,所述第一分支的 一个卷积模块为1*1的卷积模块,所述第二分支的两个卷积模块分别为一 个1*1的卷积模块和一个3*3的卷积模块,所述第三分支的四个卷积模块 分别为一个1*1的卷积模块和三个3*3的卷积模块。
作为本申请一种可能的实施方式,在该实施方式中,
所述交通标志识别模型还包括深层网络特征图模块和浅层网络特征 图模块,,所述深层网络特征图用于输出大目标预测尺寸、所述浅层网络 特征图模块用于输出目标预测尺寸和小目标预测尺寸。
作为本申请一种可能的实施方式,在该实施方式中,所述装置还用于:
将所述大目标预测尺寸、中目标预测尺寸和小目标预测尺寸与所述输 出结果进行融合,得到最终输出结果。
本申请实施例通过预设的聚类方法先对数据集进行聚类,并通过聚类 后的数据集对交通标志识别模型进行训练,可以获取图像中不同尺度的感 受野信息,并可以将获取到的不同尺度的信息融合,增强浅层网络预测交 通标志的能力,进而提高交通标志的检测准确率,减少网络参数并降低网 络复杂度,以此提高交通标志的检测速度,达到对交通标志的实时检测。
本申请实施例中提供了一种电子设备,该电子设备包括:存储器和处 理器;至少一个程序,存储于存储器中,用于被处理器执行时,获取预设 的交通标志数据集,所述交通标志数据集包括训练集和验证集;采用预设 的聚类算法对所述交通标志数据集中的交通标志进行聚类,确定各类所述 交通标志的尺寸;使用所述训练集和所述验证集对预设的交通标志识别模 型进行训练,得到训练后的交通标志识别模型;采用训练后的所述交通标志识别模型对待识别交通标志进行识别,确认所述待识别交通标志的类 别。
与现有技术相比可实现:本申请实施例通过预设的聚类方法先对数据 集进行聚类,并通过聚类后的数据集对交通标志识别模型进行训练,可以 获取图像中不同尺度的感受野信息,并可以将获取到的不同尺度的信息融 合,增强浅层网络预测交通标志的能力,进而提高交通标志的检测准确率, 减少网络参数并降低网络复杂度,以此提高交通标志的检测速度,达到对 交通标志的实时检测。
在一个可选实施例中提供了一种电子设备,如图6所示,图6所示的 电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和 存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可 以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之 间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际 应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申 请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器), 通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC (Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、 晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申 请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001 也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP 和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以 是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或 EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线 等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示, 图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存 储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存 储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光 碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储 设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代 码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码(计算机程 序),并由处理器4001来控制执行。处理器4001用于执行存储器4003 中存储的应用程序代码,以实现前述方法实施例所示的内容。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介 质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前 述方法实施例中相应内容。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次 显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文 中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他 的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步 骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成, 而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替 地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的 普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进 和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种交通标志识别方法,其特征在于,包括:
获取预设的交通标志数据集,所述交通标志数据集包括训练集和验证集;
采用预设的聚类算法对所述交通标志数据集中的交通标志进行聚类,确定各类所述交通标志的尺寸;
使用所述训练集对预设的交通标志识别模型进行训练,得到训练后的交通标志识别模型;
采用训练后的所述交通标志识别模型对待识别交通标志进行识别,确认所述待识别交通标志的类别。
2.根据权利要求1所述的交通标志识别方法,其特征在于,所述采用预设的聚类算法对所述交通标志数据集中的交通标志进行聚类,确定各类所述交通标志的尺寸,包括:
设置预设数量的聚类,并确定对应数量的初始聚类中心;
计算所述交通标志数据集中每个交通标志数据中数据点距离所述初始聚类中心的距离;
将所述距离在预设范围内的数据点确定为聚类中心所在的簇;
将所述簇的所有数据的中心点作为所述聚类的中心点,直到所述聚类的中心点不再移动,将所述聚类的中心点作为所述聚类的交通标志尺寸。
3.根据权利要求1所述的交通标志识别方法,其特征在于,所述交通标志识别模型的训练步骤包括:
将所述训练数据输入第一分支计算得到第一输出,所述第一分支包括一个卷积模块;
将所述训练数据输入第二分支计算得到第二输出,所述第二分支包括两个卷积模块;
将所述训练数据输入第三分支计算得到第三输出,所述第三分支包括四个卷积模块;
将所述训练数据输入第四分支计算得到第四输出,所述第四分支包括一个最大池化模块;
将所述第一输出、第二输出、第三输出、以及第四输出进行融合,并对融合后的结果进行一次卷积计算,得到输出结果。
4.根据权利要求3所述的交通标志识别方法,其特征在于,还包括:
采用所述训练集计算训练后的所述交通标志识别模型的损失误差,当所述损失误差在预设范围内时,得到训练好的所述交通标志识别模型。
5.根据权利要求3所述的交通标志识别方法,其特征在于,所述第一分支的一个卷积模块为1*1的卷积模块,所述第二分支的两个卷积模块分别为一个1*1的卷积模块和一个3*3的卷积模块,所述第三分支的四个卷积模块分别为一个1*1的卷积模块和三个3*3的卷积模块。
6.根据权利要求3所述的交通标志识别方法,其特征在于,所述交通标志识别模型还包括深层网络特征图模块和浅层网络特征图模块,所述深层网络特征图用于输出大目标预测尺寸、所述浅层网络特征图模块用于输出目标预测尺寸和小目标预测尺寸。
7.根据权利要求6所述的交通标志识别方法,其特征在于,所述方法还包括:
将所述大目标预测尺寸、中目标预测尺寸和小目标预测尺寸与所述输出结果进行融合,得到最终输出结果。
8.一种交通标志识别装置,其特征在于,包括:
数据获取模块,用于获取预设的交通标志数据集,所述交通标志数据集包括训练集和验证集;
聚类模块,用于采用预设的聚类算法对所述交通标志数据集中的交通标志进行聚类,确定各类所述交通标志的尺寸;
训练模块,用于使用所述训练集对预设的交通标志识别模型进行训练,得到训练后的交通标志识别模型;
识别模块,用于采用训练后的所述交通标志识别模型对待识别交通标志进行识别,确认所述待识别交通标志的类别。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1~7任一项所述的交通标志识别方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1~7任一所述的交通标志识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636627.6A CN113591543B (zh) | 2021-06-08 | 2021-06-08 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636627.6A CN113591543B (zh) | 2021-06-08 | 2021-06-08 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591543A true CN113591543A (zh) | 2021-11-02 |
CN113591543B CN113591543B (zh) | 2024-03-26 |
Family
ID=78243519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636627.6A Active CN113591543B (zh) | 2021-06-08 | 2021-06-08 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591543B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092920A (zh) * | 2022-01-18 | 2022-02-25 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像分类的方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403141A (zh) * | 2017-07-05 | 2017-11-28 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN108416327A (zh) * | 2018-03-28 | 2018-08-17 | 京东方科技集团股份有限公司 | 一种目标检测方法、装置、计算机设备及可读存储介质 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109886225A (zh) * | 2019-02-27 | 2019-06-14 | 浙江理工大学 | 一种基于深度学习的图像手势动作在线检测与识别方法 |
CN111191611A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 基于深度学习的交通标志标号识别方法 |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
FR3099839A1 (fr) * | 2019-08-08 | 2021-02-12 | Weifang University | Procede de reconnaissance de panneau de signalisation routiere dans des intemperies |
CN112712036A (zh) * | 2020-12-31 | 2021-04-27 | 广西综合交通大数据研究院 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-06-08 CN CN202110636627.6A patent/CN113591543B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107403141A (zh) * | 2017-07-05 | 2017-11-28 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN108416283A (zh) * | 2018-02-28 | 2018-08-17 | 华南理工大学 | 一种基于ssd的路面交通标志识别方法 |
CN108416327A (zh) * | 2018-03-28 | 2018-08-17 | 京东方科技集团股份有限公司 | 一种目标检测方法、装置、计算机设备及可读存储介质 |
CN109325438A (zh) * | 2018-09-18 | 2019-02-12 | 桂林电子科技大学 | 实况全景交通标志的实时识别方法 |
CN109886225A (zh) * | 2019-02-27 | 2019-06-14 | 浙江理工大学 | 一种基于深度学习的图像手势动作在线检测与识别方法 |
FR3099839A1 (fr) * | 2019-08-08 | 2021-02-12 | Weifang University | Procede de reconnaissance de panneau de signalisation routiere dans des intemperies |
CN111191611A (zh) * | 2019-12-31 | 2020-05-22 | 同济大学 | 基于深度学习的交通标志标号识别方法 |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
CN112712036A (zh) * | 2020-12-31 | 2021-04-27 | 广西综合交通大数据研究院 | 交通标志识别方法、装置、电子设备及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092920A (zh) * | 2022-01-18 | 2022-02-25 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像分类的方法、装置及存储介质 |
CN114092920B (zh) * | 2022-01-18 | 2022-04-15 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像分类的方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113591543B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944450B (zh) | 一种车牌识别方法及装置 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN113688652A (zh) | 一种异常驾驶行为的处理方法和装置 | |
CN113191353A (zh) | 一种车速确定方法、装置、设备和介质 | |
CN111046971A (zh) | 图像识别方法、装置、设备及计算机可读存储介质 | |
CN112949578B (zh) | 车灯状态识别方法、装置、设备及存储介质 | |
CN111382625A (zh) | 道路标识识别方法、装置及电子设备 | |
CN114283357A (zh) | 一种车辆检测方法、装置、存储介质及电子设备 | |
CN113298050A (zh) | 车道线识别模型训练方法、装置及车道线识别方法、装置 | |
CN111429463A (zh) | 实例分割方法、装置、电子设备和存储介质 | |
CN111860219A (zh) | 一种高速占道判断方法、装置及电子设备 | |
CN112837384B (zh) | 车辆标记方法、装置和电子设备 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN109523570B (zh) | 运动参数计算方法及装置 | |
CN113569812A (zh) | 未知障碍物的识别方法、装置和电子设备 | |
CN112784675A (zh) | 目标检测方法及装置、存储介质、终端 | |
CN112633066A (zh) | 一种航拍小目标检测方法、装置、设备及存储介质 | |
CN116259021A (zh) | 一种车道线检测方法、存储介质和电子设备 | |
CN114724128B (zh) | 一种车牌识别方法、装置、设备和介质 | |
CN116543143A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
CN113642521B (zh) | 红绿灯识别质量的评价方法、装置和电子设备 | |
CN114399657A (zh) | 车辆检测模型训练方法、装置、车辆检测方法及电子设备 | |
CN114842322A (zh) | 遗留物检测方法、装置及电子设备、计算机可读存储介质 | |
CN116363656A (zh) | 包含多行文本的图像识别方法、装置及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |