[发明专利]一种基于深度学习的高精度交通标志检测方法及系统

权利要求书

1.一种基于深度学习的高精度交通标志检测方法，其特征在于，包括：

步骤1：采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

步骤2：采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

步骤3：利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

步骤4：利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

步骤5：将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

步骤6：将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

2.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤1中，将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

3.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤1训练SSD网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果。

4.如权利要求1所述的基于深度学习的高精度交通标志检测方法，其特征在于，在所述步骤3训练卷积神经网络的过程中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。

5.一种基于深度学习的高精度交通标志检测系统，其特征在于，包括：

SSD网络训练模块，其用于采集历史的交通标志图像并按比例进行重叠切割，再输入至SSD网络，直至得到最优的SSD网络参数；

特征分类模块，其用于采用参数最优的SSD网络来提取切割后交通标志图像的交通标志特征并按照是否为交通标志特征分成正负分类这两类交通标志特征并存储至交通标志图像检测数据库；

卷积神经网络训练模块，其用于利用交通标志图像检测数据库来训练卷积神经网络，直至得到最优的卷积神经网络参数；

特征提取模块，其用于利用参数最优的SSD网络来提取视频流中按比例重叠切割后的交通标志图像的交通标志特征，再将提取的交通标志特征输入至参数最优的卷积神经网络，进而提取出交通标志特征的特征；

特征匹配模块，其用于将提取到的交通标志特征的特征与交通标志图像检测数据库中正负这两类交通标志特征分别进行匹配，并保留正类交通标志特征；

图像还原模块，其用于将最终的检测结果按比例还原至重叠切割前的交通标志图像中。

6.如权利要求5所述的一种基于深度学习的高精度交通标志检测系统，其特征在于，该系统还包括位置记录模块，其用于将采集到的历史的交通标志图像按比例进行重叠切割之后，保存切割后的交通标志图像在重叠切割前的交通标志图像中的位置坐标。

7.如权利要求5所述的一种基于深度学习的高精度交通标志检测系统，其特征在于，在所述SSD网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述SSD网络以预设的效率达到预设的识别效果；

或在所述卷积神经网络训练模块中，首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述卷积神经网络以预设的效率达到预设的识别效果。