[发明专利]一种交通信号灯定位识别方法、装置及系统

权利要求书

1.一种交通信号灯定位识别方法，其特征在于，包括：

获取带标注的训练样本、待训练样本图像及配置参数；所述标注的训练样本带有交通信号灯框一个角点的坐标位置，灯框宽高值和当前灯的颜色；

根据配置参数，生成所述待训练样本图像的候选推荐区域，并确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度；

根据所述带标注的训练样本与所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度，确定所述待训练样本图像的候选推荐区域的样本类型；所述样本类型包括：正样本或负样本；

根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和所述待训练样本图像的候选推荐区域的样本类型，获取基于卷积神经网络的目标检测识别模型；

获取待检测图像及所述基于卷积神经网络的目标检测识别模型；

通过所述基于卷积神经网络的目标检测识别模型对所述待检测图像的交通信号灯检测区域进行交通信号灯识别；

获取所述待检测图像中交通信号灯信息；所述交通信号灯信息包括：交通信号灯的颜色、坐标位置及置信度。

2.根据权利要求1所述的方法，其特征在于，所述配置参数包括：交通信号灯框长宽比及交通信号灯框标准信息；所述根据配置参数，生成所述待训练样本图像的候选推荐区域，并确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度步骤，具体包括：

根据所述交通信号灯框长宽比，生成所述待训练样本图像的候选推荐区域；

根据所述交通信号灯框标准信息，确定所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度。

3.根据权利要求2所述的方法，其特征在于，所述基于卷积神经网络的目标检测识别模型包括：候选推荐区域检测器和交通信号灯分类定位器；所述根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及所述待训练样本图像的候选推荐区域的样本类型，获取所述基于卷积神经网络的目标检测识别模型的步骤，具体包括：

根据所述带标注的训练样本、所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和所述待训练样本图像的候选推荐区域的样本类型，获取所述候选推荐区域检测器；

根据所述候选推荐区域检测器输出的所述待训练样本图像的候选推荐区域中交通信号灯框的坐标位置及其置信度和带标注的训练样本中标注的带有交通信号灯框一个角点的坐标位置、灯框宽高值和当前灯的颜色，获取所述交通信号灯分类定位器。

4.根据权利要求1-3中任意项所述的方法，其特征在于，该方法还包括：

预设置待检测图像的交通信号灯检测区域；

所述通过所述基于卷积神经网络的目标检测识别模型对所述待检测图像的交通信号灯检测区域进行交通信号灯识别步骤包括：

通过所述基于卷积神经网络的目标检测识别模型，确定所述待检测图像的交通信号灯检测区域内候选推荐区域；

在候选推荐区域内进行交通信号灯识别，获取所述交通信号灯框一个角点的坐标位置、灯框宽高值，当前灯的颜色及其置信度；

按照所述交通信号灯的坐标位置以及置信度，调整所述交通信号灯检测区域；调整后的交通信号灯检测区域将用于下一轮的交通信号灯识别，以便在后待检测图像的交通信号灯识别。

5.根据权利要求4所述的方法，其特征在于，所述获取所述待检测图像中交通信号灯信息；所述交通信号灯信息包括：交通信号灯的颜色、坐标位置及置信度的步骤，包括：

获取所述待检测图像的至少一个候选推荐区域内的交通信号灯信息；

获取置信度最高的候选推荐区域内的交通信号灯信息，作为待检测图像的交通信号灯信息。