[发明专利]一种基于行车视频的交通标志检测识别方法

说明书

本发明公开了一种基于行车视频的交通标志检测识别方法，包括：准备交通标志检测数据集，并完成交通标志图像标注工作；对交通标志检测网络yolov3‑tiny进行损失函数改进，并在交通标志检测数据集上进行训练；将视频图像中检测到的交通标志进行剪裁并统一尺寸得到待识别图像，并将待识别图像通过图像掩膜去除背景从而获取感兴趣区域ROI；在交通标志检测数据集的基础上制作识别数据集，对分类识别网络AlexNet进行改进与训练从而完成交通标志最后的分类工作。本发明将交通标志的检测识别分成两个过程，并利用检测结果与识别结果之间的关联对整体模型进行验证，解决了复杂环境下交通标志检测识别率不高的问题。

技术领域

本发明涉及计算机图像处理以及深度学习与计算机视觉的技术领域，尤其是指一种基于行车视频的交通标志检测识别方法。

背景技术

随着智能交通的发展，交通标志识别也因此受到了重视。交通标志识别由检测和识别两个部分组成，检测的作用是对交通标志进行定位并初步判断其主要类别，而识别的作用是对其进行进一步细分类，这两个过程对数据集的要求是不同的，因此交通标志检测与识别通常作为两个过程对不同网络进行训练。由于车载条件下车辆具有一定的速度，为保证乘客的交通安全，交通标志目标检测与分类识别的网络结构的时效性是非常重要的。

对于目标检测阶段，用的比较多的是YOLO与SSD这类的one-stage的算法，前者相对后者实时性与准确性方面更好，因此在行人检测、车辆检测等领域有较为广泛的应用。对于交通标志这类小目标而言，YOLOv3虽然具有良好的预测精度，由于其网络结构复杂其实时性仍存在一定的限制。

而对于分类识别阶段，基于传统LBP、HOG等进行特征提取并基于模板匹配、SVM等进行分类的速度缓慢，这些特征提取与分类的方法难以适应高速的应用场合，而基于卷积神经网络的特征提取与分类优势较大，能够在较短时间内完成交通标志识别任务。基于卷积神经网络方法不足的是对数据集依赖较大，除了光照、雾气的影响，复杂的背景也对其识别率产生了较大的影响，因此该方法对于一些特定场合仍存在不足。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于行车视频的交通标志检测识别方法，通过对更加轻量级的框架yolov3-tiny进行目标检测，然后对其目标定位损失函数进行相关改进，从而提升交通标志的检测精度并减少交通标志的检测时间；利用图像的边缘去除非交通标志区域，直接将交通标志的感兴趣区域ROI图像通过改进的Alexnet进行识别。该方法解决了车辆快速行驶过程中复杂自然场景对交通标志检测与识别过程中存在的干扰，从而在保证较高识别率与较短识别时间的同时具有良好的泛化能力。

为实现上述目的，本发明所提供的技术方案为：一种基于行车视频的交通标志检测识别方法，包括以下步骤：

1)确定待检测交通标志的主要类别，在交通标志检测数据集中对主要类别下的交通标志进行图像标注工作，并对目标检测网络yolov3-tiny进行改进与训练，得到最优的交通标志检测模型进行交通标志检测；

2)获取实际道路行车视频并读取视频中的每一帧图像，通过交通标志检测模型获取图像中可能出现交通标志的位置、每个位置上存在交通标志的置信度以及每个位置上存在交通标志时该标志对应的粗分类类别，该粗分类类别与主要类别相对应；

3)当单帧图像中某位置存在交通标志的置信度大于设定阈值T时，认为该处存在交通标志，对该处交通标志进行剪裁并统一尺寸得到宽和高分别为N_w和N_h的待识别交通图像，再对待识别交通图像进行预处理，改善待识别交通图像的质量并得到预处理图像后，在预处理图像的基础上获取对应的图像掩膜mask，并利用图像掩膜mask去除预处理图像中无关背景区域，最后得到只包含感兴趣区域ROI的交通图像；