[发明专利]一种交通标志牌快速分割方法及系统

权利要求书

1.一种交通标志牌快速分割方法，其特征是：包括以下步骤：

利用基于迁移补充AdaBoost算法预先迁移学习训练后的可迁移建议区域提取网络，对获取的交通标志牌实例图像进行处理，提取建议区域；

利用检测器对建议区域进行进一步精细分类，缩减交通标志牌的背景区域；

对分类结果进行位置校准，得到固定尺寸的感兴趣区域；

利用基于空间注意力的分割网络，对位置校准后的感兴趣区域进行空间注意力增强，进一步抑制背景，得到交通标志牌实例图像分割结果。

2.如权利要求1所述的一种交通标志牌快速分割方法，其特征是：基于迁移补充AdaBoost算法预先迁移学习训练可迁移建议区域提取网络的具体过程包括：建议区域提取网络能够将一种风格的标志牌转移到另一种不同风格但同结构标志牌，以及补充增强特征使建议区域提取网络能够使检测新添加的不同类型结构的标志牌。

3.如权利要求2所述的一种交通标志牌快速分割方法，其特征是：建议区域提取网络能够将一种风格的标志牌转移到另一种不同风格但同结构标志牌的训练过程包括：

(1)将原风格结构的数据作为AdaBoost算法检测器的训练集，采用AdaBoost算法进行训练，得到一个能够针对原风格结构数据中的标志牌有效提取RPN的分类器；

(2)将想要迁移到的新风格同结构数据的样本分为正样本和负样本两类，利用所述AdaBoost算法检测新风格同结构数据的正样本，并将检测结果中被检测为负样本的特征找出，按照其检测概率值的大小进行排列，选取前t个；

(3)针对前t个被错分为负样本的数据，每一个样本都反推找到对应的AdaBoost算法训练得到的弱分类器，将所有t个样本反推的弱分类器找到后，基于t样本统计每一个弱分类器错分样本的个数，数值最大的前s个弱分类器作为需要删除的弱分类器；

(4)对于剔除了s个弱分类器的AdaBoost，采用包括原风格结构数据和新风格同结构数据进行训练选取新的s个弱分类器；

重复步骤(1)-(4)，进行k次AdaBoost迭代训练，每次均选出s个弱分类器进行删除，再重新训练后选取s个新的弱分类器加入，得到最终的迁移完成的AdaBoost检测器。

4.如权利要求3所述的一种交通标志牌快速分割方法，其特征是：所述步骤(4)的具体过程包括：将被原始AdaBoost算法错分的样本赋予大于设定置的权值，新不同风格同类型数据中的正样本也赋予所述权值，原类型结构数据集中的负样本的最大权重分配给新不同风格同类型数据中的负样本，所有样本使用此时的强分类器进一步进行基于boosting过程的训练，选择加权误差最小的弱分类器，跟据选取的弱分类器的分类结果更新所有样本的权重；经过一次AdaBoost迭代训练过程，选出s个新的弱分类器加入进去。

5.如权利要求2所述的一种交通标志牌快速分割方法，其特征是：补充增强特征使建议区域提取网络能够使检测新添加的不同类型结构的标志牌的具体过程包括：

1)利用迁移完成的AdaBoost检测器，将原类型结构数据中正样本的权重，分配给需加入的新类型结构数据的正样本；

2)基于此时样本和其权重进行基于boosting过程的训练，以寻找w个新的弱分类器，对原有分类器进行补充；

3)在每个boosting过程后，选取加权误差最小的弱分类器，根据选取结果更新所有样本权重；

4)重复步骤1)-3)，经过w次迭代，补充训练得到新的w个弱分类器，加入至迁移完成的AdaBoost检测器中，形成最终的检测器。

6.如权利要求1所述的一种交通标志牌快速分割方法，其特征是：利用检测器对建议区域进行进一步精细分类和对分类结果进行位置校准的过程由基于级联CNN的检测器实现。