[发明专利]交通标志识别模型训练方法、识别方法、系统、设备及介质

权利要求书

1.一种交通标志识别模型训练方法，其特征在于，包括：

获取样本数据集，所述样本数据集包括若干训练图像，所述训练图像中标注有交通标志的实际边界框和实际类别；

根据所述样本数据集对预先建立的交通标志识别模型进行训练；

其中，所述交通标志识别模型包括依次级联的下采样网络、特征提取网络和标志预测网络；

所述下采样网络包括若干下采样模块；

所述特征提取网络包括空间注意力模块、若干采样倍数不同的上采样模块、以及加权模块；

所述空间注意力模块用于对预定所述下采样模块输出的特征图像进行处理，得到尺寸为目标尺寸的特征图像；

若干所述上采样模块分别用于将相应所述下采样模块输出的特征图像放大至所述目标尺寸，得到若干尺寸为所述目标尺寸的特征图像；

所述加权模块用于对所述空间注意力模块及若干所述上采样模块得到的特征图像进行加权处理，得到整体特征图像；

所述标志预测网络用于对所述整体特征图像进行处理，得到对应所述训练图像中交通标志的预测边界框和预测类别。

2.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，所述标志预测网络包括中心点高斯分布热力图预测模块、中心点偏差回归模块以及尺寸回归模块。

3.根据权利要求2所述的交通标志识别模型训练方法，其特征在于，所述根据所述样本数据集对预先建立的交通标志识别模型进行训练，包括：

将所述样本数据集中的训练图像输入至所述交通标志识别模型中进行处理，并获取所述中心点高斯分布热力图预测模块、所述中心点偏差回归模块以及所述尺寸回归模块输出的结果；

根据所述中心点高斯分布热力图预测模块、所述中心点偏差回归模块及所述尺寸回归模块输出的结果与对应所述训练图像中标注的实际边界框和实际类别，确定模型整体损失函数；

根据所述模型整体损失函数，对所述交通标志识别模型进行迭代训练，直至满足预定训练终止条件。

4.根据权利要求3所述的交通标志识别模型训练方法，其特征在于，所述根据所述中心点高斯分布热力图预测模块、所述中心点偏差回归模块及所述尺寸回归模块输出的结果与对应所述训练图像中标注的实际边界框和实际类别，确定模型整体损失函数，包括：

根据所述中心点高斯分布热力图预测模块输出的结果、与对应所述训练图像中标注的实际边界框的中心点位置和实际类别，确定中心点预测损失函数；

根据所述中心点偏差回归模块输出的结果、与对应所述训练图像中标注的实际边界框的中心点位置，确定偏差回归损失函数；

根据所述尺寸回归模块输出的结果、与对应所述训练图像中标注的实际边界框的尺寸，确定尺寸回归损失函数；

根据所述中心点预测损失函数、偏差回归损失函数和尺寸回归损失函数，确定模型整体损失函数。

5.根据权利要求4所述的交通标志识别模型训练方法，其特征在于，

所述中心点预测损失函数采用FocalLoss损失函数；

所述偏差回归损失函数的计算公式如下式(1)所示：

在式(1)中，ASL₁(d1)表示偏差回归损失函数，t_i1＝(t_x,t_y)，t_x,t_y表示所述中心点偏差回归模块输出的所述预测边界框的中心点坐标，表示相应所述训练图像中标注的实际边界框的中心点坐标，μ1预先设置；

所述尺寸回归损失函数的计算公式如下式(2)所示：

在式(2)中，ASL₁(d2)表示尺寸回归损失函数，t_i2＝(t_w,t_h)，t_w,t_h表示所述尺寸回归模块输出的所述预测边界框的宽度和高度，表示相应所述训练图像中标注的实际边界框的宽度和高度，μ2预先设置。

6.根据权利要求1所述的交通标志识别模型训练方法，其特征在于，在获取样本数据集后，所述方法还包括：

对所述样本数据集进行数据增强处理。