[发明专利]基于神经网络的交通标志图片识别方法、装置及存储介质

说明书

本申请公开了基于神经网络的交通标志图片识别方法、装置及存储介质，该方法包括：获取待识别交通标志图片，所述图片的尺寸为任意的；对所述待识别交通标志图片进行卷积处理得到第一特征图；对所述第一特征图进行下采样处理得到不同感受野下的特征图；对所述不同感受野下的特征图分别进行上采样处理得到相同尺寸的特征图；将所述相同尺寸的特征图和所述第一特征图融合得到融合特征图；根据所述融合特征图确定交通标志在所述待识别交通标志图片的坐标和类型。本申请能够取得的有益效果在于，全卷积操作对输入图片的大小没有限制。先使用下采样，再上采样，最后将不同感受野的特征融合在一起，图像特征没有因为卷积次数过多而丧失过多的细节。

技术领域

本申请涉及计算机视觉领域，尤其是涉及基于神经网络的交通标志图片识别方法、装置及存储介质。

背景技术

目前，图像的检测与识别已经非常成熟。以检测和识别图片中的交通标志牌为例，一般分为传统方法和深度学习方法。传统方法是基于先验的人工经验，如标志牌颜色一般为红、黄、蓝和白等，形状多为三角形、四方形和圆形等。基于颜色的识别，一般是把RGB颜色空间转换到HSV或者HIS颜色空间。基于形状的识别，一般会采用Hough变换检测形状。深度学习概念源于人工神经网络的研究。过去几年，深度学习在计算机视觉领域取得了巨大成功。其中，在物体识别和检测、场景分类、图像分类任务中取得突破性进展，使其适用于图像处理。深度学习方法一般是基于方向梯度直方图(HOG)，局部二值模式(LBP)及Hear-like等特征提取方法，采用滑动窗口扫描的方式。对于HOG、LBP和Hear-like等特征提取方法，由于不同的特征提取方法都有其使用的局限性，鲁棒性较差，对于不同天气或光照强度下以及大小不同的标志牌，会出现无法检测的问题。传统方法的缺点是依靠人工创造的特征提取方法都有其使用的局限性，鲁棒性较差，导致图片中小目标的识别较难。

发明内容

本申请实施例提供基于神经网络的交通标志图片识别方法、装置及存储介质。解决现有技术中对识别图片中的交通标志的方案依赖人工创造以及鲁棒性较差、小目标识别难等技术问题。

本申请提供了基于神经网络的交通标志图片识别方法，该方法包括：

获取待识别交通标志图片，所述图片的尺寸为任意的；

对所述待识别交通标志图片进行卷积处理得到第一特征图；

对所述第一特征图进行下采样处理得到不同感受野下的特征图；

对所述不同感受野下的特征图分别进行上采样处理得到相同尺寸的特征图；

将所述相同尺寸的特征图和所述第一特征图融合得到融合特征图；

根据所述融合特征图确定交通标志在所述待识别交通标志图片的坐标和类型。

本申请还提供了基于神经网络的交通标志图片识别装置，该装置包括：获取单元、卷积单元、下采样单元、上采样单元、融合单元和确定单元；

所述获取单元，用于获取待识别交通标志图片，所述图片的尺寸为任意的；

所述卷积单元，用于对所述待识别交通标志图片进行卷积处理得到第一特征图；

所述下采样单元，用于对所述第一特征图进行下采样处理得到不同感受野下的特征图；

所述上采样单元，用于对所述不同感受野下的特征图分别进行上采样处理得到相同尺寸的特征图；

所述融合单元，用于将所述相同尺寸的特征图和所述第一特征图融合得到融合特征图；

所述确定单元，用于根据所述融合特征图确定交通标志在所述待识别交通标志图片的坐标和类型。

本申请还提供了一种存储介质，其上存储有程序数据，所述程序数据用于被处理器执行时实现所述的基于神经网络的交通标志图片识别方法。