[发明专利]基于深度学习的信号灯检测方法在审
申请号: | 201811222953.7 | 申请日: | 2018-10-19 |
公开(公告)号: | CN109299704A | 公开(公告)日: | 2019-02-01 |
发明(设计)人: | 朱健立;于宏志;王景彬;张龙龙 | 申请(专利权)人: | 天津天地人和企业管理咨询有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 天津滨海科纬知识产权代理有限公司 12211 | 代理人: | 戴文仪 |
地址: | 300384 天津市滨海新区高新区*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 线性融合 信号灯检测 信号灯 池化 卷积 训练样本集 检测区域 输出 模型训练过程 检测结果 建立模型 三种颜色 校验 箭头灯 数字灯 圆形灯 条带 融合 学习 | ||
本发明提出一种基于深度学习的信号灯检测方法,包括建立模型、建立训练样本集、信号灯检测、检测结果校验,所述模型为包含了5个线性融合层,每个线性融合层分别位于VGG16中池化层与位于池化层前一层的卷积层之间,每个线性融合层的输入为,上一层卷积层的输出和上一池化层的输出,其中第一个线性融合层的输入为上一层卷积层的输出的模型的输入,线性融合时两个输入的融合比例为1:1。训练样本集包括全时段红、黄、绿三种颜色信号灯的真实照片,信号灯的形状包括数字灯、箭头灯、圆形灯、条带灯。模型训练过程中,检测区域通过人工设定,检测区域的高、宽为3W*4H,其中W、H为指定类型信号灯的宽和高。
技术领域
本发明属于信号检测领域,尤其是一种基于深度学习的信号灯检测方法。
背景技术
交通信号灯检测是智慧城市智能交通体系内重要的一个指标环节。
申请号为201711143943.X的专利提出一种使用计算机视觉和深度学习进行交通信号灯检测和分类的系统和方法,该系统包括车载处理设备,车载处理设备包括计算机视觉模块和神经网络模块,计算机视觉模块被编程用于接收前视摄像机捕获的RGB帧,将RGB帧与设定的强度阈值进行比较,将符合要求的图像帧进行处理;神经网络模块被编程用于鉴别非交通信号灯类、红色交通信号灯类、绿色交通信号灯类和黄色交通信号灯类。
申请号为201710763154.X的专利提出一种基于深度学习的交通路口可通行道路规划方法,该方法基于深度学习首先检测处图中信号灯的位置和颜色,再利用信号灯的颜色信息与图像中的斑马线规划出可通行的道路。
传统的识别算法,受限于场景光线的变化剧烈,相机晃动等因素,导致对信号灯的定位和识别检测效果不理想,进而影响相机的整体使用。
发明内容
本发明提出一种基于深度学习的信号灯检测方法,采用的技术方案如下:
一种基于深度学习的信号灯检测方法,包括建立模型、建立训练样本集、信号灯检测、检测结果校验,所述模型为包含了5个线性融合层,每个线性融合层分别位于VGG16中池化层与位于池化层前一层的卷积层之间,每个线性融合层的输入为,上一层卷积层的输出和上一池化层的输出,其中第一个线性融合层的输入为上一层卷积层的输出的模型的输入,线性融合时两个输入的融合比例为1:1。
进一步的,训练样本集包括全时段红、黄、绿三种颜色信号灯的真实照片,信号灯的形状包括数字灯、箭头灯、圆形灯、条带灯。
进一步的,模型训练过程中,通过人工设定,检测区域的高、宽为3W*4H,其中W、H为原始图像中,指定类型信号灯的宽和高。
进一步的,检测结果校验包括步骤:
步骤1:计算检测区域内R、G、B三个通道平均值,avg_R,avg_G,avg_B;
步骤2:若检出结果为绿灯,检测区域内avg_R>avg_B,则认为检出错误,过滤此条结果;
若检出结果为红灯或黄灯,检测区域内avg_B>avg_R,则认为检出错误,过滤此条结果;
步骤3:计算检测区域内所有像素点的平均灰度值avg_Y以及送检图像平均灰度值avg_L,若avg_Y<avg_L,则认为检出位置不准确,过滤此条结果。
与现有技术相比,本发明的有益效果在于:检测模型中包括线性融合层,线性融合层将卷积前后的信息重新按照比例线性融合,使得网络对目标位置的检测更加准确。
附图说明
图1是检测模型结构图;
图2是检测方法示意图。
具体实施方式
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津天地人和企业管理咨询有限公司,未经天津天地人和企业管理咨询有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811222953.7/2.html,转载请声明来源钻瓜专利网。