[发明专利]一种道路标识检测方法、系统、设备和介质

说明书

本发明提出一种道路标识检测方法、系统、设备和介质，包括：构建语义分割网络利用所述语义分割网络对输入图像进行道路标识检测，获取包含不同类别道路标识的灰度图；根据所述灰度图识别出不同类别的道路标识；本发明可有效检测多种类型的道路标识，适应复杂的道路环境。

技术领域

本发明涉及智慧交通领域，尤其涉及一种道路标识检测方法、系统、设备和介质。

背景技术

随着经济的发展和汽车保有量的逐年增加，汽车的安全性越来越受到人们的重视。为了提高汽车行驶安全性，现代汽车厂商将车道偏离预警系统(LDWS)、车道保持系统(LKS)作为智能汽车的热门研究方向，自动驾驶技术也作为新兴技术被众多汽车企业所青睐。而道路标识检测是实现车道偏离预警、车道保持以及自动驾驶等功能的关键技术。因此，准确可靠的道路标识检测技术对提高汽车行驶安全性和驾乘体验至关重要。现阶段道路标识检测方法按照道路标识像素与背景的分割方法可以分为以下两类：

基于传统图像处理的方法:主要通过手工设计特征和启发式识别来进行道路标识检测，而手工设计特征需要从业者有着深厚的图像处理专业知识，其特征设计的好坏直接影响最终的检测结果。通常会基于道路标识的颜色、纹理以及几何等来手工设计特征。在使用这类方法将道路区域内属于道路标识的像素分割出来后，需要结合滤波和霍夫变换等方法去除误检测并进行道路标识曲线拟合。然而汽车行驶的实际道路环境是复杂多变的，光照条件、磨损程度以及遮挡程度的不同使得这类方法难以适应于实际应用场景。

基于深度学习的方法：随着深度学习技术的发展，传统方法中手工设计特征部分的工作可以用深度神经网络来代替。通过构建多层神经网络，使用大规模标记好的数据进行参数训练，最终可以得到像素级别的道路标识分割模型。这类方法相对于传统方法效果提升显著，对于不同场景的适应能力更好，同时由于不再依赖于手工设计特征，对从业者图像处理专业知识的要求也更低。但是现阶段这类方法不能对多种类型的道路标识进行检测，而是笼统地将道路标识归为一类。然而，在车辆实际行驶环境中，道路标识的实、虚、黄、白等属性分别对应了不同的道路指示功能。此类方法存在的这一缺陷极大地限制了其应用范围。

发明内容

鉴于以上现有技术存在的问题，本发明提出一种道路标识检测方法、系统、设备和介质，主要解决现有技术针对复杂的道路场景鲁棒性差的问题。

为了实现上述目的及其他目的，本发明采用的技术方案如下。

一种道路标识检测方法，包括：

构建语义分割网络；

利用所述语义分割网络对输入图像进行道路标识检测，获取包含不同类别道路标识的灰度图；

根据所述灰度图识别出不同类别的道路标识。

可选地，所述语义分割网络包括编码器和解码器，通过所述编码器对输入图像进行特征提取，并通过所述解码器将提取的特征转换为所述灰度图；

其中，所述编码器包括分解残差模块和下采样模块；所述解码器包括分解残差模块和上采样模块。

可选地，所述编码器的网络架构排布方式依次为：一个或多个下采样模块、一个或多个分解残差模块、一个或多个下采样模块、一个或多个分解残差模块；所述解码器的网络架构排布方式依次为：一个或多个上采样模块、一个或多个分解残差模块、一个或多个上采样模块、一个或多个分解残差模块、一个或多个上采样模块；其中，所述上采样模块与所述下采样模块的数量保持一致。

可选地，所述分解残差模块包括多个卷积层和空洞卷积层，所述卷积层和空洞卷积层交错排列。

可选地，所述下采样模块包括卷积层、池化层和特征拼接层；分别通过所述卷积层和所述池化层对输入进行采样获取采样结果，并通过所述拼接层将所述卷积层和所述池化层的所述采样结果连接，获取特征图。