[发明专利]一种基于双阶段卷积神经网络的数字类交通标志检测识别方法

权利要求书

1.一种基于双阶段卷积神经网络的数字类交通标志检测识别方法，其特征在于，包括以下步骤：

(1)采集交通场景下的图像数据，并在图像数据中标注出数字类交通标志的类别以及位置；在图像数据中标注出的数字类交通标志的类别包括大类别以及对应的具体数值，所述的大类别包括最高限速、最低限速、解除限速、限高和限重；

(2)设计第一阶段目标检测模型，用于交通标志的定位和识别交通标志属于哪一个大类别；所述的第一阶段目标检测模型采用轻量化的YoloV3网络，包括用于提取特征的卷积通道数为原始VGG16一半的基础网络以及轻量化的FPN特征融合模块，同时在各个检测头分支插入SE注意力模块用于更好的提取特征；

(3)将标注后的图像数据输入到第一阶段目标检测模型中，进行不少于100个Epoch的迭代训练，同时在随着训练的深入依次减少学习率；监视模型的损失函数，直到模型收敛；

(4)将原始图像数据输入到训练好的第一阶段目标检测模型中，通过框的融合后处理算法获得预测框的坐标以及大类别的预测结果，并将预测框对应的区域从原始图像中扣除出来，同时标注扣除图像中的各个数字的位置、类别以及其对应的大类别；所述框的融合后处理算法具体如下：

计算中间参数:

其中，b_candidate,i代表不同的候选框的坐标向量，K代表候选框的个数，K的值取4，b_mean表示的是基本框的坐标，IoU_i表示不同的候选框与基本框的IoU，b_final表示的是最终框的坐标向量；

(5)设计第二阶段网络，用于扣除图像中数字的识别以及大类别的重分类；

所述的第二阶段网络为卷积通道数为原始一半的VGG16网络，包括数字识别分支和重分类分支，不同分支的详细描述如下：

数字识别分支需要在第二阶段网络中接入检测头，进行扣除图像中各个数字的定位和识别；

重分类分支则需要在第二阶段网络中接入全连接层进行大类别的重分类；

(6)将步骤(4)扣除出来的图像输入到第二阶段网络中，进行不少于100个Epoch的迭代训练，同时在随着训练的深入依次减少学习率；监视模型的损失函数，直到模型收敛；

(7)在应用过程中，将待识别图像首先输入到训练好的第一阶段目标检测模型中获得交通标志的大类别以及其具体的位置，然后再将对应的图像区域扣除出来后送到训练好的第二阶段网络中进行数字的识别以及大类别的重分类；

最后将第一阶段目标检测模型中获得的大类别与第二阶段网络得到的重分类的大类别进行融合，得到最终的大类别。

2.根据权利要求1所述的基于双阶段卷积神经网络的数字类交通标志检测识别方法，其特征在于，步骤(7)中，将第一阶段目标检测模型中获得的大类别与第二阶段网络得到的重分类的大类别进行融合的具体算式如下：

P_final＝λ*P₁+(1-λ)*P₂

其中，P_final表示融合了两阶段结果的最终预测的结果，P₁为表示第一阶段目标检测模型中分类分支的预测结果，P₂表示第二阶段网络重分类分支的分类结果；λ为权重，取值为0.2。