[发明专利]一种面向深度智驾应用的交通标志识别方法

说明书

本发明公开了一种面向深度智驾应用的交通标志识别算法，基于网络对多源公测数据集平移扩展性与稳定性的考虑，建立多源公测数据集对于交通标志的统一类别表征，通过基于局部上下文信息随机裁剪的数据增强策略实现了数据集的扩展，以及多尺度卷积特征图网络与集合网络迭代交替验证训练策略，得到了性能较好的检测网络与识别网络，使网络易于训练且收敛更快；基于自底向上的卷积特征，通过自顶向下融合多尺度卷积特征网络建模方法，提高小尺寸交通标志的查全率；不追求设计更深更复杂的Convnet以获取更高的物体识别率，而是针对交通标志目标的特点，通过对比实验，提出一种能够获得更优信息流动与更好性能表现的集合网络，实现了交通标志的高效识别。

技术领域

本发明属于交通控制技术领域，具体涉及一种面向深度智驾应用的交通标志识别算法。

背景技术

深度学习是人工智能领域的一个重要分支，基于深度学习架构的人工智能已被广泛应用于计算机视觉、自然语言处理、传感器融合、生物识别、自动驾驶等各个领域。2016年9月美国交通运输部发布了关于自动化车辆的测试与部属政策，将美国汽车工程学会J3016标准确立为定义自动化或自动驾驶车辆的全球行业参照标准，用以评定六个级别(L0～L5)的自动驾驶技术。目前自动驾驶受到法律及管理政策等因素制约，L4与L5等级的自动驾驶车辆上路行驶还有待时日，，但是具有限制条件的L3自动驾驶技术(即驾驶者无需监视路况，系统可实现特殊工况下车辆的完全控制)预计在未来五年内实现。高级驾驶辅助系统(ADAS)作为L3～L5自动驾驶技术的必要组成部分，需要完成感知、融合、规划、决策与预警等多种功能。而在有效时间内对复杂交通场景的感知与理解是实现自动驾驶的前提，基于深度学习框架的目标检测与识别方法为ADAS的驾驶环境感知提供了可靠的解决方案。对于自动驾驶车辆而言，交通标志的正确识别是引导自动驾驶车辆在道路系统中规范行驶的前提，因此，交通标志识别系统是ADAS的一个必要组成部分。

传统方法如基于模板匹配交通标志检测与识别算法、基于HOG特征 +SVM分类器的交通标志检测与识别算法等因为仅仅利用图像的底层信息而不能具有良好的扩展性与鲁棒性。随着神经网络的发展以及R-CNN， Fast-rcnn、Faster-rcnn、FPN、Sppnet、Yolo、ResNet、SSD等区域卷积神经网络的出现，将基于区域的Convnet应用于交通标志的检测与识别，已成为新的研究方向，并且这种方法在2015与2016的ILSVC大赛中都取得了优异的成绩。然而，现有基于Convnet的TSR算法具有一些问题：首先，不同国家相同含义的交通标志具有不同表现形式，但上述研究成果大都采用公测数据集进行测试与评价，故可扩展性与通用性较低；其次，它们对噪声和遮挡等图像退化较为敏感，稳定性差；最后，不同的激活函数、网络参数、网络层数及分类层的损失函数仍会消耗不同的计算时间，对时效性有一定影响。

发明内容

本发明的目的在于提供一种面向深度智驾应用的交通标志识别算法，以克服现有技术的不足，本发明能够地提高Convnet的扩展性、稳定性与时效性，以满足ADAS的实际要求，并挖掘与揭示多尺度网络与集合网络内部的特征学习机理，为将来基于深度系统的自动驾驶TSR任务提供一种有效可靠的算法。

为达到上述目的，本发明采用如下技术方案：

一种面向深度智驾应用的交通标志识别算法，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；

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；

4)、对网络中间层的串联与并联集合方式进行设计与研究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。