[发明专利]一种交通标志检测方法及系统

说明书

本发明实施例提供的交通标志检测方法及系统，首先获取交通标志对应的待检测图像；然后，将所述待检测图像输入训练好的卷积神经网络，输出待检测图像中交通标志的分类结果；其中，所述卷积神经网络包含有用于特征提取的检测层和用于分类的分类层。相较于现有技术，该方案能够较大幅度的提高目标检测中对交通标志等小目标的检测效果。

技术领域

本发明涉及人工智能以及计算机视觉领域，更具体地，涉及一种交通标志检测方法及系统。

背景技术

近年来自动驾驶技术受到越来越多的关注，已经成为未来汽车发展重要方向之一，而机器学习(如深度学习)的快速发展也让自动驾驶所涉及的各项难题有了新的解决思路。快速、准确的检测到交通标志是自动驾驶车辆必备的能力，目前常用的方法主要分两类：传统图像处理算法和深度学习算法。

传统图像算法：对传统图像算法的研究由来已久，一般通过提取图像的形状、颜色、纹理等特征，对交通标志进行识别。因此，此类算法需要从交通标志的特点入手设计算法。其弊端是真实环境中的交通标志受光照、阴影、老化、褪色等各方面因素的影响，往往有较大的区别。传统算法一方面无法囊括所有特征，另一方面还容易将非交通标志的目标误认为交通标志，导致识别率难以提升。

深度学习算法：基于卷积神经网络的思想，近年来目标检测领域涌现了不少优秀算法，如RCNN系列、SSD和YOLO系列等。这些深度学习算法在很多对象的检测上(如人、车、动物等)都展现了非常快的速度和很高的正确率。

但是，在以上这些主流的对象，交通标志在一张图片中的所占的空间相对要小很多，这也导致这些主流的算法在进行交通标志检测时召回率会会较低，也就是说会漏检的情况会比较严重。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于发布订阅模式的进程间通信方法及系统。

第一方面，本发明实施例提供了一种交通标志检测方法，包括：

获取交通标志对应的待检测图像；

将所述待检测图像输入训练好的卷积神经网络，输出待检测图像中交通标志的分类结果；

其中，所述卷积神经网络包含有用于特征提取的检测层和用于分类的分类层。

可选地，所述检测层用于对所述待检测图像进行特征提取，得到所述待检测图像的中型特征、小型特征或微型特征。

可选地，所述将所述待检测图像输入训练好的卷积神经网络，输出待检测图像中交通标志的分类结果，包括：

利用所述检测层对所述待检测图像进行特征提取，得到所述待检测图像的检测结果；

利用所述分类层对所述检测结果进行分类，得到所述待检测图像中交通标志的分类结果。

可选地，还包括：

获取训练数据集；

利用所述训练数据集对初始卷积神经网络进行训练，得到所述训练好的卷积神经网络。

可选地，所述利用所述训练数据集对初始卷积神经网络进行训练，得到所述训练好的卷积神经网络，具体包括：

先利用所述训练数据集对所述初始卷积神经网络中的检测层进行训练，再对所述初始卷积神经网络中的分类层进行训练，得到所述训练好的卷积神经网络。

第二方面，本发明实施例提供一种交通标志检测系统，包括：

图像获取模块，用于获取交通标志对应的待检测图像；

图像检测模块，用于将所述待检测图像输入训练好的卷积神经网络，输出待检测图像中交通标志的分类结果；