【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于交通安全檢測，尤其涉及一種基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法及系統(tǒng)。
技術(shù)介紹
1、目前，隨著社會(huì)的快速發(fā)展，科技的進(jìn)步和現(xiàn)代化的推進(jìn)，城市交通變得異常復(fù)雜。錯(cuò)綜交錯(cuò)的道路和各式各樣的交通標(biāo)志使得駕駛員的駕駛要求逐漸增加，一旦出現(xiàn)看錯(cuò)交通標(biāo)志或是漏看交通標(biāo)志的情況就極其容易造成交通事故，危害公共交通安全。交通標(biāo)志檢測算法通過車載攝像頭捕捉道路畫面，實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確地對(duì)交通標(biāo)志進(jìn)行定位和分類，輔助駕駛員做出正確駕駛決策。而道路上的交通標(biāo)志通常被放置在開放的環(huán)境，當(dāng)?shù)缆飞嫌姓系K物或處于弱光環(huán)境或雨雪天氣時(shí)，標(biāo)識(shí)信息容易模糊，使得交通標(biāo)志的實(shí)時(shí)檢測變得更具挑戰(zhàn)性。
2、交通標(biāo)志實(shí)時(shí)檢測已經(jīng)成為一個(gè)熱門的課題，傳統(tǒng)針對(duì)交通標(biāo)志的實(shí)時(shí)檢測和識(shí)別算法主要包括基于顏色特征提取的方法和基于形狀特征提取的方法。基于顏色特征提取的方法的主要思想是根據(jù)交通標(biāo)志較為突出的色彩，比如，禁令標(biāo)志通常為紅色，指示標(biāo)志通常為藍(lán)，然后通過閾值分割出特定的顏色空間，用來提取候選區(qū)域?qū)崿F(xiàn)檢測。文獻(xiàn)“traffic?sign?recognition?based?on?hog?feature?and?svm”基于yuv色彩空間和直方圖均衡對(duì)圖像進(jìn)行增強(qiáng)，然后使用支持向量機(jī)(support?vector?machine,svm)分類器獲取從交通標(biāo)志中提取的具有hog特征的訓(xùn)練模型來檢測，但是一旦天氣變化或是交通標(biāo)志褪色時(shí)，檢測性能會(huì)大幅下降。基于形狀特征提取的方法是根據(jù)交通標(biāo)志突出的形狀，如圓形、三角形、正四邊形等，來實(shí)現(xiàn)交通標(biāo)志的檢測。文獻(xiàn)“
3、隨著科學(xué)技術(shù)的進(jìn)步，基于深度學(xué)習(xí)的視覺物體識(shí)別算法因其較高的分類性能和對(duì)非線性關(guān)系的強(qiáng)大學(xué)習(xí)能力而受到廣泛關(guān)注。深度學(xué)習(xí)能提取圖像的深層特征，通過將圖像輸入訓(xùn)練好的深度學(xué)習(xí)模型就能直接得到需求的檢測結(jié)果和識(shí)別類別，已經(jīng)被廣泛應(yīng)用于圖像識(shí)別和檢測領(lǐng)域。
4、基于深度學(xué)習(xí)的交通標(biāo)志檢測算法的主要思想是通過收集大量道路行駛畫面，包括視頻和圖像，使用這些數(shù)據(jù)訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)交通標(biāo)志的檢測與識(shí)別。文獻(xiàn)“ssd:single?shotmultibox?detector”在單發(fā)多盒探測器(single?shot?multiboxdetector,ssd)的基礎(chǔ)上提出了一種用于顯著目標(biāo)檢測的低秩和結(jié)構(gòu)化稀疏矩陣分解模型。在模型中引入樹結(jié)構(gòu)稀疏誘導(dǎo)范數(shù)正則化，并集成高級(jí)先驗(yàn)來指導(dǎo)矩陣分解，增強(qiáng)顯著性檢測。文獻(xiàn)“traffic?signs?detection?and?recognition?system?using?deeplearning”構(gòu)建了兩種輕量化的交通標(biāo)志檢測網(wǎng)絡(luò)，將加入了inception?v2結(jié)構(gòu)的fasterr-cnn網(wǎng)絡(luò)與tiny-yolov2進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明前者在檢測精度上更有優(yōu)勢，而后者具有更快的檢測速度。文獻(xiàn)“an?improved?anchor-free?detection?method?fortrafficsign?detection”針對(duì)基于錨點(diǎn)的檢測方法的設(shè)計(jì)局限性，提出了一種改進(jìn)的無錨檢測方法。在cctsdb上證明了所提方法的有效性和魯棒性。然而，這些深度學(xué)習(xí)方法雖然能保證一定的檢測精度，但使用的模型龐大，待求解參數(shù)多。特別是基于錨框的檢測方法，需要生成大量的候選錨框，再使用非極大值抑制等方法進(jìn)行二次選擇，無法自適應(yīng)地檢測交通標(biāo)志。因此，在移動(dòng)平臺(tái)上的部署費(fèi)時(shí)且計(jì)算量大，無法滿足實(shí)時(shí)性和車載設(shè)備要求，且大量的參數(shù)容易使模型過擬合，從而導(dǎo)致泛化性差。
5、通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：
6、(1)現(xiàn)有深度學(xué)習(xí)方法使用的模型龐大，待求解參數(shù)多，難以在移動(dòng)平臺(tái)部署，無法滿足輕量化的需求。
7、(2)現(xiàn)有方法由于龐大的解碼網(wǎng)絡(luò)，需要生成大量錨框，需要較長的處理時(shí)間，無法滿足道路交通標(biāo)志的實(shí)時(shí)檢測。
8、(3)現(xiàn)有方法使用的模型過于臃腫，龐大的參數(shù)量使得網(wǎng)絡(luò)訓(xùn)練容易過擬合，導(dǎo)致算法的泛化性較差。
技術(shù)實(shí)現(xiàn)思路
1、針對(duì)現(xiàn)有技術(shù)存在的問題，本專利技術(shù)提供了一種基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法及系統(tǒng)。
2、本專利技術(shù)是這樣實(shí)現(xiàn)的，一種基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法包括以下步驟：
3、步驟1，構(gòu)建基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)；
4、步驟2，構(gòu)建交通該標(biāo)志圖像數(shù)據(jù)集；
5、步驟3，利用步驟2的交通標(biāo)志圖像數(shù)據(jù)集對(duì)基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練；
6、步驟4，利用訓(xùn)練好的基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)交通標(biāo)志檢測測試。
7、進(jìn)一步，所述步驟1中的構(gòu)建基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)的方法為：
8、首先，網(wǎng)絡(luò)輸入是實(shí)時(shí)道路畫面，通過獲取車載攝像頭并將畫面轉(zhuǎn)換成224×224×3的rgb圖像后送入網(wǎng)絡(luò)模型，網(wǎng)絡(luò)首先獲得目標(biāo)圖像；
9、其次，對(duì)圖像進(jìn)行預(yù)處理，進(jìn)行尺寸變換和灰度變換，保持獲取圖像的一致性；
10、然后，對(duì)原始圖像施加注意力機(jī)制后與原圖結(jié)合送入encoder，encode部分使用殘差空間-通道注意力模塊對(duì)輸入圖像和resnet50生成的特征圖生成注意力權(quán)重，輸入圖像在進(jìn)行注意力處理后再送入resnet50，resnet主干進(jìn)行特征融合得到中間特征圖，再送入特征金字塔得到最終特征圖；
11、再然后，將特征圖送入decoder，decoder通過施加注意力得到更細(xì)致的特征圖，通過編碼模型編碼為原始尺寸，由兩組獨(dú)立的卷積層分別實(shí)現(xiàn)檢測框中心點(diǎn)、檢測框長寬以及分類類別的預(yù)測；
12、最后，在得到目標(biāo)中心點(diǎn)位置坐標(biāo)和檢測框尺寸后，就能得到檢測交通標(biāo)志后的圖像以及分類結(jié)果。
13、進(jìn)一步，所述殘差空間-通道注意力模塊是由通道注意模塊和空間注意模塊級(jí)聯(lián)構(gòu)成；
14、輸入圖像經(jīng)過卷積層處理后得到一個(gè)中間特征圖，首先將特征圖輸入通道注意模塊，在通道注意模塊中，網(wǎng)絡(luò)根據(jù)通道將特征圖分組，并對(duì)每個(gè)組使用不同尺寸的卷積核進(jìn)行二維卷積操作以得到不同空間尺寸的特征圖；
15、然后，網(wǎng)絡(luò)對(duì)每個(gè)組的特征圖進(jìn)行平均池化來降維，并將結(jié)果疊加在一起，接著使用一維卷積對(duì)疊加結(jié)果在通道維度上進(jìn)行處理，并通過激活函數(shù)對(duì)其進(jìn)行歸一化，得到通道注意力的權(quán)重；
16、得到通道注意力權(quán)值后，將注意力權(quán)重與輸入特征圖相乘，并將結(jié)果送入空間注意模塊；
17、空間注意力模塊同樣將特征圖劃分，并對(duì)每組進(jìn)行最大池化和平均池化操作，接著將結(jié)果按通道疊加可以得到混合本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟1中的構(gòu)建基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)的方法為：
3.如權(quán)利要求2所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述殘差空間-通道注意力模塊是由通道注意模塊和空間注意模塊級(jí)聯(lián)構(gòu)成；
4.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟1中基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)還包含一種多尺度注意力特征融合模塊，可將ResNet50的四個(gè)特征塊得到的特征圖進(jìn)行特征融合；
5.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟3中對(duì)基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，使用的損失函數(shù)Loss計(jì)算方式如下：
6.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟3中的對(duì)基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練的訓(xùn)練迭代次數(shù)為400，批處理大小為8，動(dòng)
7.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟4中的測試方法為：
8.一種實(shí)施如權(quán)利要求1-7任意一項(xiàng)所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法的基于多尺度注意力的交通標(biāo)志檢測識(shí)別系統(tǒng)，其特征在于，所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別系統(tǒng)包括：
9.一種計(jì)算機(jī)設(shè)備，其特征在于，所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1-7任意一項(xiàng)所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法的步驟。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1-7任意一項(xiàng)所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法的步驟。
...【技術(shù)特征摘要】
1.一種基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟1中的構(gòu)建基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)的方法為：
3.如權(quán)利要求2所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述殘差空間-通道注意力模塊是由通道注意模塊和空間注意模塊級(jí)聯(lián)構(gòu)成；
4.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟1中基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測識(shí)別網(wǎng)絡(luò)還包含一種多尺度注意力特征融合模塊，可將resnet50的四個(gè)特征塊得到的特征圖進(jìn)行特征融合；
5.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述步驟3中對(duì)基于多尺度注意力的交通標(biāo)志實(shí)時(shí)檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，使用的損失函數(shù)loss計(jì)算方式如下：
6.如權(quán)利要求1所述基于多尺度注意力的交通標(biāo)志檢測識(shí)別方法，其特征在于，所述...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：魏斯瑋，劉星，王堯，周燦，劉卓，鄧文慧，包碩，嚴(yán)靈毓，
申請(qǐng)(專利權(quán))人：武漢中交交通工程有限責(zé)任公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。