[发明专利]交通标志识别方法和装置

说明书

本发明公开了交通标志识别方法和装置。该方法包括：从相机获取图像数据；利用深度学习技术来检测图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果；对交通标志检测结果进行追踪，以获得最终交通标志检测结果，该最终交通标志检测结果可以是追踪结果；根据追踪结果来预测下一帧的感兴趣区域。

技术领域

概括地说，本发明涉及图像处理和汽车安全辅助驾驶领域，具体地说，本发明涉及交通标志(特别是红绿灯)识别方法和装置。

背景技术

随着技术的发展，机器人驾驶交通工具(例如，“UAV”或“无人机”)自动驾驶技术开始逐渐成为热点。在自动驾驶领域，交通信号灯检测技术是机器人驾驶交通工具的关键技术之一。如果无法正确地检测和分类交通信号灯，则可能违反交通规则，并可能造成严重的交通事故而导致死亡、损伤、和/或具有明显的损坏性。

传统的交通信号灯检测方案主要是基于传统特征的方法，主要利用颜色直方图和HOG(方向梯度直方图)特征来刻画交通信号灯的颜色和形状，如红色的直行灯、绿色的左转灯等。但是，这种方案对环境的鲁棒性不强，比如会受到光照、信号灯的大小、位置等等很大的影响。因此，在自动驾驶领域，需要能够可靠地并且智能地检测和分类交通信号灯的智能计算机化系统。

发明内容

有鉴于此，本发明公开内容提供了交通标志识别的方法、装置、设备和计算机存储介质。Faster(快速)RCNN是适合于检测交通信号灯的比较好的一种基于深度学习的检测方法。但传统的Faster RCNN速度较慢，本发明公开内容提出了一种新型的快速RCNN模型，其通过优化Faster RCNN模型的结构等等技术手段来实现检测的加速和识别的准确。

在一个方面，本发明的实施例提供了一种交通标志识别方法，该方法包括：从相机获取图像数据；利用深度学习技术来检测所述图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果；对所述初始交通标志检测结果进行追踪，以获得最终交通标志检测结果；根据所述最终交通标志检测结果，预测下一帧的感兴趣区域。

在本发明公开内容的一个实施例中，利用深度学习技术来检测所述图像数据的当前帧的感兴趣区域以获得初始交通标志检测结果，包括：使用新型快速RCNN模型对所述图像数据中的交通标志进行检测；根据该新型快速RCNN模型给出的置信度对所述检测结果进行过滤以获得高置信度结果和低置信度结果。

在本发明公开内容的一个实施例中，对所述初始交通标志检测结果进行追踪，以获得最终交通标志检测结果包括：将上一帧检测结果与当前帧的所述高置信度结果进行匹配；如果所述上一帧检测结果与当前帧的所述高置信度结果匹配，则检测到所述交通标志；如果所述上一帧检测结果与当前帧的所述高置信度结果不匹配，则将所述上一帧检测结果与当前帧的所述低置信度结果进行匹配；如果所述上一帧检测结果与当前帧的所述低置信度结果匹配，则检测到所述交通标志。

在本发明公开内容的一个实施例中，所述交通标志可以是红绿灯或者其它类型的交通信号灯。

在本发明公开内容的一个实施例中，预测下一帧的感兴趣区域包括：对所述最终交通标志检测结果的检测框进行扩展，以获得感兴趣区域。

在本发明公开内容的一个实施例中，当所述新型快速RCNN模型给出的所述置信度大于0.7时，认为是高置信度检测结果。当所述新型快速RCNN模型给出的所述置信度小于0.7但大于0.5时，认为是低置信度检测结果。当然，置信度也可以设为其它阈值。

在本发明公开内容的一个实施例中，通过以下至少之一改进，在Faster RCCN基础上实现新型快速RCNN模型：改善基础网络；改进RPN(区域建议网络)的锚点选取；使用RoI-Align来替代RoI-Pooling；使用难样本进行在线挖掘。