[发明专利]一种面向深度智驾应用的交通标志识别方法

权利要求书

1.一种面向深度智驾应用的交通标志识别方法，其特征在于，具体包括以下步骤：

1)、首先对多源公测数据集进行数据增强；

2)、然后对检测网络与识别网络进行交替迭代训练；对两个Resnet_34模型进行交替迭代训练，用imagenet预训练模型初始化Resnet_34_1检测模型、Resnet_34_2识别模型，并微调网络参数，使用新的分类数据集对Resnet_34_2识别模型进行训练，得到训练后的Resnet_34_2_1识别模型，并微调网络参数；将检测数据集作为Resnet_34_1检测模型的训练数据，使用基于Resnet_34_1检测模型的多尺度特征图生成交通标志感兴趣区域，并将其作为Resnet_34_2识别模型的训练数据，对训练后的Resnet_34_2_1识别模型进行训练，然后固定训练后的Resnet_34_2_1识别模型的卷积层，并对训练后的Resnet_34_2_1识别模型进行微调，生成更新的Resnet_34_2_2识别模型；

使用更新的Resnet_34_2_2识别模型参数重新初始化为Resnet_34_1_1检测模型，并使用检测数据集训练Resnet_34_1_1检测模型，固定Resnet_34_1_1检测模型的卷积层，实现对Resnet_34_1_1检测模型进行微调，生成更新Resnet_34_1_2检测模型；

使用基于更新的Resnet_34_1_2检测模型的多尺度特征图再次生成交通标志感兴趣区域，固定更新的Resnet_34_2_2识别模型参数，对基于更新的Resnet_34_2_2识别模型参数进行微调，生成识别模型，再重复迭代执行上述步骤，直至收敛；

3)、以检测数据集GTSDB与LISA-TS为数据平台，基于图像的多层卷积特征，用自顶向下的多尺度卷积特征融合方法，构造一组表征图像不同尺度卷积的层次语义特征图，以实现锚点在具有更多语义集合的多个尺度卷积特征图上对交通标志感兴趣区域进行提取；基于图像自底向上的Convnet不同尺度多级下采样卷积特征图组输出f1～f5，最上层的卷积特征图组f5经过2倍上采样后，获得与f4相同的尺寸，f4经过1×1的Inception卷积，获得与f5相同的通道数，将两者进行逐个像素累加，经过3×3的卷积，得到一组具有f5与f4语义叠加的特征图P4；然后依次迭代，直至得到最后一组具有f1～f5所有语义集合的特征图，由此构成了5个尺度卷积的层次语义特征图组；

4)、对网络中间层的串联集合与并联集合方式进行对比试验从而获得更优信息流动与更好性能表现的集合网络。

2.根据权利要求1所述的一种面向深度智驾应用的交通标志识别方法，其特征在于，步骤1)中，选择多源主流交通标志检测数据集GTSDB和LISA-TSD，将交通标志识别数据集GTSRB和BTSCB作为初始数据集，将GTSDB与LISA-TSD中具有标注框的正样本取出，增补至交通标志识别数据集GTSRB与BTSCB中。

3.根据权利要求2所述的一种面向深度智驾应用的交通标志识别方法，其特征在于，步骤1)中，挖掘多源公测识别数据集中同类交通标志图形内部边界特征表达，定义高层的多源同类交通标志局部上下文结构相似性度量，依此建立多源公测数据集对于同类交通标志的统一性特征表达以进行同类合并，构成具有统一类别数目的合并识别数据集。

4.根据权利要求3所述的一种面向深度智驾应用的交通标志识别方法，其特征在于，步骤1)中，采用超图思想建立训练样本内部小区域结构联系的相似性度量，随机选择一定比例的小区域中心确定不同裁剪区域，作为扩展训练样本。

5.根据权利要求1所述的一种面向深度智驾应用的交通标志识别方法，其特征在于，采用小尺寸交通标志20×20作为锚点，设置3种比例，在5个尺度卷积的层次语义特征图组上进行感兴趣区域滑动检测，然后将感兴趣候选区送入分类器进行标签预测，待确定为正样本后送入回归器，由回归器进行边界框的精确回归与分数预测；

锚点对应的像素区域及宽高比设置需要根据交通标志目标尺寸设定；图像采样尺寸、卷积核及通道数都需要经过实验论证与网络测试分析后最终确定。