[发明专利]一种交通标志牌快速分割方法及系统

说明书

本发明提供了一种交通标志牌快速分割方法及系统，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。

技术领域

本发明属于图像分割技术领域，具体涉及一种交通标志牌快速分割方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

近年来，随着智能驾驶的快速发展，辅助驾驶或自动驾驶系统的开发都需要快速、精确、适应性强的交通标志牌理解算法。这可以辅助驾驶员注意到交通标识牌指示，防止因遗漏造成的安全隐患。在现有的基于视觉的交通标志牌检测方法中，大都是获得包含了标志牌的一个矩形区域，而未能对其形状做出精确判断，为了能够充分利用具备不同形状外观的交通标志牌的外观形状信息和表观信息，本发明设计了交通标志牌实例分割方法，可以精确的得到交通标志牌区域。

现有的分割方法大都采用两阶段方式：第一阶段为感兴趣区域提取阶段(RPN阶段)，第二阶段为在建议区域上的分类和分割阶段。对于两阶段分割，最常用的方法之一是Mask-CNN，mask R-CNN中使用的特征金字塔网络(FPN)方法可以提高准确性，然而，Mask R-CNN采用这种方法进行资源回收，其执行速度不能超过实时速度。基于类似mask R-CNN的深度网络的方法在提高精确度方面一般基于丰富特征提取的数量，增加网络的权值，难以进行应用转化。而高动态的驾驶场景对交通标识牌的检测识别理解的速度有较高的要求；且基于深度网络的RPN，在场景适应性上主要依赖于训练数据所包括的场景，若需要在新场景上进行应用，需要准备大量新场景训练数据进行重新训练，要求新数据数据量较大，且难以有效将已有的特征进行迁移。

发明内容

本发明为了解决上述问题，提出一种交通标志牌快速分割方法及系统，本发明在第一阶段RPN阶段采用迁移补充AdaBoost算法来进行，该算法在经训练后的执行阶段可得到较快的执行速度，且算法参数较少，利于应用转换；在第二阶段分类分割阶段，本发明基于小型深度网络，采用检测、校准、分割的三阶级网络进行，可以缩减交通标志牌的背景区域，对背景进行进一步抑制，得到不同形状的交通标志牌实例分割区域。

根据一些实施例，本发明采用如下技术方案：

一种交通标志牌快速分割方法，包括：

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。

作为可选择的实施方式，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。

作为进一步限定的实施方式，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库中的标志牌有效提取RPN的分类器；