[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

说明书

本发明提供一种交通标志识别模型训练方法、识别方法、系统、设备及介质，该训练方法包括：获取样本数据集；根据样本数据集对交通标志识别模型进行训练；该模型包括下采样网络、特征提取网络和标志预测网络；下采样网络包括若干下采样模块；特征提取网络包括空间注意力模块、若干上采样模块及加权模块；空间注意力模块用于对预定下采样模块输出的特征图像进行处理，得到目标尺寸特征图像；若干上采样模块分别用于将相应下采样模块输出的特征图像放大至目标尺寸；加权模块用于根据所述目标尺寸特征图像得到整体特征图像；标志预测网络用于根据整体特征图像得到对应训练图像中交通标志的预测边界框。本发明能够提高交通标志识别的准确性和效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种交通标志识别模型训练方法、识别方法、系统、设备及介质。

背景技术

随着汽车自动驾驶技术的兴起，TSR(交通标志识别，Traffic Sign Recognition)作为辅助智能驾驶中极为重要的一环获得了广泛地关注，其在车辆行驶过程中对道路出现的交通标志进行实时识别，及时提醒驾驶员做出正确的驾驶行为，以确保交通安全，预防交通事故的发生。

在深度学习发展之前，交通标志识别往往基于传统图像处理算法实现，虽然在不断提升算法的精度，但是存在着泛化能力差、运行时间长等问题，离实际应用还有相当长一段距离。随着深度学习的高速发展，许多的目标检测算法被应用于交通标志识别任务中，但是在检测小尺寸交通标志时，现有的算法仍存在识别效果较差、识别时间长等问题。

例如，公开号为CN108985145A的专利申请介绍了一种小尺寸交通标志检测识别的反向连接深度神经网络模型方法，该方法借鉴Faster R-CNN两步检测法，其网络主要包含区域提取网络和分类网络两个部分，此外该方法还融合了来自不同特征层的特征信息来提升识别效果。然而，该方法基于两步法(Two-Stage)网络，虽然有助于提高识别精度，但也大大降低了网络的运行速度，另外在区域提取模块使用VGG微调网络、在分类网络部分使用全连接层会使得网络参数量巨大，进一步降低了网络的运行速度，远远无法满足实时性的需求。

再如，公开号为CN110414417A的专利申请介绍了一种多层次融合多尺度预测的交通标志牌识别方法，该方法借鉴了YoloV3的单步网络结构，并且通过提取多个不同层次的特征图，将多尺度预测结构预测的边界框融合在一起；而后通过非极大值抑制算法去除其中重叠比例高和置信度度的边界框得到最后的检测结果。该方法采用单步网络(One-Stage)，相比于两步网络，仅需将图像送入网络一次就可以进行预测，运行速度大大增加。然而，非极大值抑制算法需要花大量运算时间来去除几万个候选框，对于交通标志识别这种高分辨率输入图像的任务无法达到实时的要求。

发明内容

针对上述现有技术的不足，本发明的目的在于提供一种基于深度学习的交通标志识别模型训练方法、识别方法、系统、设备及介质，以解决现有技术中小尺寸交通标志识别效果差、识别时间长等问题。

为了实现上述目的，本发明提供一种交通标志识别模型训练方法，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；

所述若干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；